AI asistenti transformišu prodaju delujući kao digitalni treneri, analitičari i savetnici prodavcima. Oni analiziraju prodajne predloge i daju personalizovane povratne informacije, pomažući prodavcima da usavrše svoju komunikaciju i strategije angažovanja. Koristeći analitičke i verbalno-vizuelne mogućnosti veštačke inteligencije, kompanije mogu da podstaknu angažovanje kupaca, povećaju stope konverzije i poboljšaju ukupne performanse prodaje. Oni mogu da pojednostave zadatke kao što su kreiranje sadržaja i analiza interakcije sa klijentima, omogućavajući prodajnim timovima da se usredsrede na aktivnosti veće vrednosti. Izazovi usvajanja uključuju troškove unapred, integraciju podataka i upravljanje promenama, ali fazna implementacija može da ublaži rizike.

Prodavac se priprema za važan sastanak sa klijentima. Oni uvežbavaju nastup pomoću digitalnog alata za treniranje sa AI koji je prilagođen ciljevima kompanije i filozofiji prodaje. Sistem analizira ton, reči i tempo prodavca. Ukazuje na oblasti za poboljšanje, na primer, predlažući upotrebu fraza koje naglašavaju saradnju („hajde da ovo istražimo zajedno...“) i podsećajući prodavca da zakaže sledeći sastanak sa potencijalnim klijentom. Dalje, prodavac dobija uvid na osnovu podataka o potrebama i preferencijama kupaca, uključujući preporuke o prodajnim akcijama i mogućnostima unakrsne prodaje.

Uloga AI kao trenera prodaje je moćna sposobnost u nastajanju. Takođe ubrzano raste uloga AI kao analitičara, koji uranja u ogromne količine podataka o prodaji da bi otkrio uvide, na primer, o tome zašto određene geografske regije ne uspevaju ili koji se tržišni trendovi razvijaju. AI trenutno obavlja zadatke za koje su analitičarima prodaje nekada bili potrebni dani ili nedelje.

Pomoćnici AI koji deluju kao treneri i analitičari za prodavce, dopunjuju više korišćene taktičke savetnike sa AI pogonom. Takvi alati daju sugestije, pomažući prodavcima da identifikuju obećavajuće potencijalne klijente, kreiraju ponude po meri i dizajniraju prilagođene ponude. Ovo podstiče poboljšano angažovanje klijenata, veće stope konverzije, veću prodaju i veće zadržavanje kupaca.

Dobijanje vrednosti od AI prodajnih asistenata zahteva rešavanje nekoliko komplikacija — značajnih troškova unapred, integracije podataka i izazova kvaliteta, modela obuke o sadržaju kompanije i podsticanja usvajanja sa prodajnim timovima. Ovi faktori mogu otežati postizanje i merenje ROI. Ovaj članak će ispitati mogućnosti AI prodajnih asistenata koji su sada dostupni i razmotriti puteve usvajanja i upotrebe ovih alata.

Mogućnosti AI pomoćnika

Da bi AI asistenti mogli da treniraju, analiziraju ili savetuju, potrebne su im analitičke i verbalno-vizuelne sposobnosti.

Analitičke sposobnosti

Ove funkcije koriste profile klijenata, tragove interakcije, angažovanje kupaca i podatke o učinku iz prethodnog perioda za kreiranje uvida i predloga za prodajne timove. Koristeći podatke o svim prodavcima i kupcima, AI inteligentno sugeriše koje akcije rade za svakog kupca i prodajnu situaciju. Pfizer, Schneider Electric i Microsoft su među mnogim kompanijama koje koriste takve mogućnosti da bi prodavcima dale pravovremene taktičke savete o specifičnim, unapred definisanim problemima, na primer, koju sledeću najbolju radnju da preduzmu i kako da spreče odliv kupaca. Rezultat je poboljšana reakcija na klijente i povećana produktivnost prodaje. Na primer, kada je Microsoft počeo da koristi „Daily Recommender“, sistem zasnovan na veštačkoj inteligenciji koji prodavcima daje uvid u potrebe kupaca i predložene prodajne akcije, produktivnost prodaje (merena vremenom pred kupcima i potencijalnim klijentima pretvorenim u prilike) porasla je za 40%.

Nedavna dostignuća omogućavaju AI modelima da odgovore na otvorena pitanja. U biofarmaceutskoj kompaniji, prodavac pita sistem zasnovan na veštačkoj inteligenciji: „Koje su najnovije bolesti i trendovi prepisivanja za dijabetes na mojoj teritoriji?“ Sistem prevodi ovaj upit prirodnog jezika u kompjuterski kod, koji se zatim izvršava radi analize najnovijih podataka. Dobijeni uvidi se dele sa prodavcem: „Prevalencija dijabetesa je porasla za 2%, ali je stopa lečenja opala za 8%. Najbolje propisani lekovi na vašoj teritoriji su tri utvrđene terapije, ali među zdravstvenim radnicima raste interesovanje za učenje o inovativnim pristupima. Prodavac se dalje pita: „Šta mogu da uradim da poboljšam stope lečenja?“ na koje sistem odgovara sa predlozima uključujući koje zdravstvene radnike da posetite lično, a koje da kontaktirate putem e-pošte, koje nalaze istraživanja da podelite o kardiovaskularnim prednostima, prednostima gubitka težine i pogodnom doziranju, kao i najefikasnijim strategijama za distribuciju uzoraka proizvoda. Prodavac kombinuje ove uvide sa sopstvenim iskustvom, a zatim je spremniji da ima relevantne, pronicljive i produktivne interakcije sa kupcima.

Verbalno-vizuelne sposobnosti

Ove funkcije sintetizuju uglavnom nenumeričke podatke (tekst, slike, video) koristeći gen AI za poboljšanje sadržaja i komunikacije. Rudimentarne aplikacije za prodavce uključujući transkripciju i rekapitulaciju snimljenih razgovora sa klijentima i bez napora kreiranje kolaterala za prodaju specifičnog za kupca. Bez veštačke inteligencije, kreiranje i prilagođavanje sadržaja oduzimaju otprilike četvrtinu vremena prodavaca. Prodajni timovi u IBM-u, Cintas-u i Morgan Stanley-u su među onima koji koriste verbalno-vizuelne mogućnosti veštačke inteligencije da pojednostave ove vrste zadataka. U Morgan Stanley-u, alatka pod nazivom AI @ Morgan Stanley Assistant daje finansijskim savetnicima pristup oko 100.000 sopstvenih istraživačkih izveštaja i dokumenata kompanije. Savetnici ispituju bazu podataka i odmah dobijaju sažete informacije za davanje preporuka za ulaganja i izvršavanje transakcija. „Pull“ pristup alata zasnovanog na genetičkoj inteligenciji dopunjuje „push“ pristup sistema „sledeće najbolje akcije“ koji koristi analitičke mogućnosti za deljenje personalizovanih investicionih ideja za klijente.

Sve veća upotreba gen AI je za obuku u prodaji. Platforme zasnovane na veštačkoj inteligenciji analiziraju snimljene ili žive prodajne pozive. Pored davanja povratnih informacija o stilu komunikacije i sadržaju prodavca, ovi alati otkrivaju raspoloženje kupaca i daju trenutne predloge za poboljšanje. Smernice postaju još personalizovanije i kontekstualne kada AI modeli integrišu istoriju angažovanja kupaca i podatke o učinku prodavača.

Upotreba avatara kupaca sa AI za obuku prodaje takođe postaje sve popularnija. Moduli za obuku prodaje zasnovani na AI i VR stvaraju realistične simulacije, sa AI-botovima koji igraju ulogu kupca i simuliraju pitanja i primedbe koje bi kupac mogao postaviti, omogućavajući prodavcima da vežbaju svoje veštine u bezbednom okruženju. Zaposleni koji su novi u prodaji brže napreduju, dok iskusni prodavci ubrzavaju razvoj kompetencija. Kada je tehnološka kompanija Zoom morala da ubrza svoj prodajni tim na novim porukama za prodaju svoje platforme za kompletno rešenje, prodajni predstavnici širom sveta usavršavali su svoje veštine vežbajući sa partnerom za veštačku inteligenciju po imenu Dženi. Ovo je dovelo do značajnog poboljšanja veština i savladavanja poruka kod svih prodajnih predstavnika.

Integrisanje mogućnosti

Moć AI asistenata je pojačana kada analitičke i verbalno-vizuelne sposobnosti rade zajedno. Na primer, verbalno-vizuelni alati procenjuju interesovanje potencijalnog klijenta analizirajući e-poštu, transkripte ćaskanja i komunikaciju na društvenim mrežama. Ovaj uvid hrani analitičke alate, koji koriste podatke o potencijalnim klijentima i sličnim klijentima da identifikuju prilike za povećanje prodaje. Zatim, verbalno-vizuelne sposobnosti se uklapaju u sadržaj i savete za obuku kako bi pomogli prodavcu da saopšti priliku.

Nekoliko prodajnih alata sa AI-om spaja ove mogućnosti. Stoga se izgradnja digitalnih asistenata uglavnom odnosi na prilagođavanje i integraciju postojećih tehnologija, a ne na izmišljanje novih. CRM rešenja koja nude analitičke i verbalno-vizuelne alate uključuju Microsoft Dinamics 365 i Salesforceov Sales Cloud sa Ajnštajnom. Kompanije kao što su SAP, Oracle, Adobe, HubSpot i Zoho su ugradile slične mogućnosti. Stotine kompanija nude alate generisane veštačke inteligencije koji se mogu integrisati sa CRM sistemima. Zoom Revenue Accelerator je jedno od mnogih rešenja koja koriste gen AI za analizu prodajnih sastanaka i pružanje uvida. Iako mnoštvo opcija komplikuje izbor, ono je demokratizovalo mogućnosti, čineći ih dostupnim kompanijama svih veličina.

Putevi za AI-sazrele i AI-rani-stage organizacije

Prodajni timovi su na različitim tačkama na putu implementacije AI asistenata. Kompanije zrele za veštačku inteligenciju idu drugačijim putem od onih koje tek kreću.

Organizacije zrele za veštačku inteligenciju su dobro uspostavljeni korisnici analitičkih sposobnosti AI za savetovanje prodavaca (na primer, prihvata se 70% ili više preporuka za sledeću najbolju akciju.) Sledeća granica za ove rane korisnike je da iskoriste rastuću moć gen AI (ako već nisu), počevši od funkcija niskog rizika, kao što je izrada prilagođenih e-poruka i omogućavanje prodavcima bržeg pristupa informacijama u bazi znanja kompanije. Kako iskustvo sa razvojem i korišćenjem ovih sposobnosti raste, ove organizacije koje su zrele za veštačku inteligenciju istražuju složeniju i nestrukturiranu analitiku i hiperpersonalizovano treniranje i obuku.

Organizacije koje još nisu krenule putem veštačke inteligencije koriste drugačiji pristup. Za ove novopridošlice, počevši od niskorizičnih AI aplikacija je brži put do vrednosti. Istovremeno, organizacije u ranoj fazi veštačke inteligencije počinju da postavljaju temelje za korišćenje analitičkih sposobnosti AI. Ovo zahteva razumno robustan sistem za upravljanje podacima o klijentima i interakcijama. Iako savršeni podaci nisu potrebni, mnoge takve organizacije otkrivaju da moraju da nadograde svoj CRM sistem. Sa solidnom platformom za upravljanje podacima, moguće je iskoristiti analitiku zasnovanu na veštačkoj inteligenciji da biste prodavcima dali taktičke savete. A kako organizaciono i tehnološko iskustvo raste, AI kao trener i analitičar se može istražiti.

Olakšavanje usvajanja i upotrebe

Da bi se pozabavili troškovima, obukom za modele i usvajanjem. U pogledu implementacije AI prodajnih asistenata, obratite pažnju ne samo na tehnologiju, već i na ljudske elemente i upravljanje promenama.

Koristite fazni pristup implementaciji. Započnite pilot program sa malim timom. Ovo minimizira početne troškove i rizike i omogućava iterativna poboljšanja pre potpunog uvođenja.

Obučite AI modele u kontekstu kompanije. Čak i AI rešenja koja su napravljena posebno za prodaju ne mogu sama da stvore dovoljnu vrednost; moć dolazi od njihove obuke na podacima specifičnim za situaciju. Započnite sa obukom o podacima kompanije (npr. istorija transakcija i interakcija za analitičke modele; prošli mejlovi, predlozi i marketinški sadržaj za gene AI modele). Dopunite ovo sintetičkim podacima koje generišu algoritmi da bi oponašali podatke iz stvarnog sveta. Nakon što su modeli lansirani, povratne informacije korisnika o preporukama veštačke inteligencije su kritične za kontinuirano poboljšanje.

Izmerite ROI. Koristite okvir koji uzima u obzir i kratkoročne i dugoročne koristi, uključujući metrike kao što su vreme ušteđeno na administrativnim zadacima, poboljšanje kvalifikacije potencijalnih klijenata, povećanje stopa konverzije prodaje i poboljšani rezultati zadovoljstva kupaca.

Upravljajte promenom. Usvajanje i upotreba su veće kada funkcije besprekorno funkcionišu sa poznatim alatima kao što su CRM i sistemi e-pošte dok se uklapaju u svakodnevni radni tok prodavaca. Iskoristite sisteme podrške i forume na kojima prodavci mogu da podele svoja iskustva (na primer, na sastancima prodajnog tima ili u prostorima za saradnju na mreži). Obrnuto mentorstvo, gde mlađi tehnički pametni članovi tima pomažu starijim članovima, takođe je efikasan.

Koristeći pomoćnike veštačke inteligencije kao trenere, analitičare i savetnike, prodavci mogu da podstaknu rast i istovremeno isporučuju izuzetnu vrednost kupcima.

. . .

Tehnologija je decenijama transformisala prodaju, a najnoviji talas AI inovacija obećava da će biti možda najveća sila do sada. Digitalni asistenti će promeniti posao prodaje na mnogo načina. Prodavci će prestati da obavljaju neke zadatke, kao što je snimanje beleški u CRM, koji će postati automatizovan. Oni će efikasnije obavljati druge zadatke, kao što je brže reagovanje personalizovanom komunikacijom za klijente. Prodavci će takođe drugačije i efikasnije postupati sa određenim odgovornostima, na primer, planiranjem i izvođenjem relevantnijih i moćnijih razgovora sa kupcima. Pored toga, oni će preuzeti nove odgovornosti, kao što je orkestriranje akcija na različitim kanalima kako bi bolje služili klijentima. Kako se ove promene budu odvijale u narednih nekoliko godina, uspešne prodajne organizacije će nastaviti da se razvijaju i prihvataju nove mogućnosti za prodavce i digitalne proizvode da rade zajedno na povećanju vrednosti za kupce i poslovanje.

Veštačka inteligencija omogućava pojedincima sa skromnim tehničkim znanjem da razvijaju sofisticirane proizvode, što otvara pitanje da li saradnja među ljudima gubi na značaju. Međutim, zapažanja sa inovacionog takmičenja podržanog veštačkom inteligencijom ukazuju na sasvim suprotan zaključak. Dok AI ubrzava istraživanje, programiranje i izradu prototipa, timovi stvaraju najveću vrednost u fazama definisanja problema i osmišljavanja rešenja, gde različite perspektive pomažu u preispitivanju pretpostavki i usavršavanju ideja. Brzi prototipi postaju alati za učenje, a ne gotovi proizvodi, čineći debate konkretnijim i otkrivajući slabosti u ranoj fazi. Menadžeri bi trebalo da sačuvaju vreme za precizno formulisanje problema, koriste prototipe za unapređenje strateškog promišljanja umesto puke validacije rešenja i formiraju timove oko komplementarnih perspektiva, a ne uskih tehničkih specijalnosti. Kako AI komoditizuje operativno izvođenje, konkurentska prednost sve više leži u odluci šta vredi graditi i zašto.

AI alati su postali dovoljno moćni da koncept samostalnog osnivača kompanije učine izvodljivim, omogućavajući inovatorima bez inženjerskog predznanja da razviju funkcionalne proizvode. Ovaj koncept se ne primenjuje samo u startapima već i u velikim korporacijama kako usvajanje veštačke inteligencije raste. Tehnologija je automatizovala i standardizovala izvršenje duž celog ciklusa inovacija: menadžeri proizvoda grade radne prototipe bez napisanog reda koda, dok programeri znatno brže razvijaju softver, sprovode testiranja, pišu dokumentaciju i upravljaju podacima.

To nameće ključno pitanje: postoji li i dalje trajna uloga i vrednost timske saradnje? Ako se osnovna jedinica rada pomera sa „tima“ na „pojedinca osnaženog veštačkom inteligencijom“, to donosi suštinske promene u načinu na koji se organizujemo, zapošljavamo i procenjujemo nečiji doprinos na poslu. Reč je o temi koja prevazilazi jednostavnu raspravu o produktivnosti.

Ovo pitanje je istraženo tokom nedavnog inovacionog maratona (buildathon) sa studentima poslovne škole NYU Stern. Timovima mešovitih profila omogućen je pristup zajedničkim AI alatima sa zadatkom da reše složene probleme iz stvarnog sveta u roku od samo jednog dana. Cilj je bio da se ispita kako učesnici integrišu veštačku inteligenciju tokom divergentne faze osmišljavanja ideja i konvergentnog donošenja odluka, kao i koji delovi inovacionog ciklusa i dalje imaju najviše koristi od timskog rada.

Osam timova, stvarni problemi, jedan dan

Trideset tri studenta imala su šest sati da kreiraju rešenja za neke od najtežih izazova Njujorka, uključujući pristupačnost osnovnih namirnica, pravičnost u javnom prevozu, bezbednost biciklističkih staza i dostupnost brige o deci. Reč je o složenim problemima sa mnogo promenljivih, gde je čak i definisanje uspeha izuzetno zahtevno.

Učesnici su nasumično raspoređeni u timove od po četiri ili pet članova i svi su dobili iste alate. Koristili su AI rešenja za istraživanje i ideaciju kako bi razumeli problem i definisali korisnike. Zatim su prešli na alate za izradu prototipa radi dizajna konkretnih rešenja. Na kraju su povezali svoje koncepte sa platformama za autonomno programiranje kako bi izgradili funkcionalne demonstracione verzije. Ceo proces odvijao se na zajedničkom digitalnom platnu, gde su svi članovi tima u realnom vremenu imali uvid u rad ostalih.

Važno je istaći da većina studenata nije imala inženjersko obrazovanje, timovi nisu unapred balansirani prema tehničkim veštinama, učesnici se uglavnom nisu poznavali i nikada pre nisu koristili pomenute alate. Pored toga, postojala je i takmičarska komponenta sa vrednim nagradama, pri čemu su kriterijumi ocenjivanja eksplicitno stavljali definisanje problema i konceptualni dizajn rešenja ispred tehničke egzekucije. Poenta nije bila u tome ko može najbrže da lansira proizvod, već ko može da izgradi pravu stvar.

Ako AI zaista pretvara inovacije u individualni poduhvat, ovo je bilo idealno okruženje za to: sposobni ljudi, moćni alati i strog vremenski rok nudili su svaki razlog da se zadaci podele, radi paralelno i prepusti veštačkoj inteligenciji da samostalno odradi najteži deo posla. Međutim, ono što je primećeno na terenu pokazalo je sasvim drugačiju sliku.

Definisanje problema i dizajn rešenja

Analizirajući radne tokove učesnika, uočena su dva jasna obrasca kod gotovo svih timova:

Na samom početku, svaki tim je detaljno raspravljao o oblasti na koju želi da se fokusira, nastojeći da razume i uokviri suštinu problema i profiliše ciljnog korisnika. U ovoj fazi članovi tima su koristili AI za prikupljanje istraživanja i sintezu podataka, spajajući analize kako bi diskutovali i postigli konsenzus o problemskom prostoru. Ovaj proces je uvek podsećao na klasičnu razmenu ideja — grupa ljudi okupljena oko stola u dinamičnom i fokusiranom razgovoru.

Nakon toga, većina timova je podelila operativne zadatke: pojedinci su se fokusirali na dizajn i izgradnju prototipa, dok su drugi radili na prezentaciji i narativu. Članovi su pojedinačno koristili veštačku inteligenciju za realizaciju svojih zaduženja, ali su se i dalje redovno okupljali da testiraju i kritikuju predloženi dizajn rešenja.

Zadaci koje je AI mogao da preuzme — sinteza istraživanja, generisanje dizajnerskih opcija, kreiranje korisničkih interfejsa — zaista su se odvijali brže kada su pojedinci radili paralelno i nezavisno.

Međutim, definisanje problema bilo je oblast u kojoj su timovi provodili najviše vremena raspravljajući o nalazima, preispitujući pretpostavke jedni drugima i zajednički odlučujući šta zapravo pokušavaju da reše i kako. Jedan učesnik je primetio: „Definisanje problema je najvažniji deo“, dok je drugi dodao: „Precizno uokviriti specifičan problem izuzetno je teško, čak i uz pomoć veštačke inteligencije.“

Druga ključna oblast bio je dizajn samog rešenja. Pošto je cena izrade prototipa danas svedena na minimum, njegova svrha se promenila. Kako je jedan student primetio, prototip sada služi kao polazna tačka za diskusiju, a ne kao gotov proizvod. Prototipi koje su timovi kreirali odmah su otvorili ključna pitanja: Ko je zapravo krajnji korisnik? Kako će neko saznati za ovo rešenje? Šta se dešava kada podaci nisu dostupni? Prototip sam po sebi nije dao odgovore, ali je učinio ta pitanja nemogućim za ignorisanje.

Pobednički timovi jasno ilustruju kako su uvidi proistekli iz saradnje vodili do inovativnih rešenja, dok je AI služio isključivo kao operativni motor:

• Ukupni pobednik je razvio indeks cena namirnica u Njujorku. Prikupili su podatke o cenama iz prodavnica širom grada, ocenili povoljnost svake od njih i kreirali aplikaciju za potrošače, kao i koncept displeja za izloge. Funkcionalna aplikacija razvijena za šest sati bila je impresivna, ali je tim pobedio zahvaljujući načinu na koji je postavio problem: prepoznali su da je pristupačnost namirnica zapravo problem transparentnosti koji se rešava lakšim upoređivanjem cena.

• Dobitnici nagrade za visok uticaj prepoznali su potencijal u 13.000 postojećih njujorških maloprodajnih objekata i pretvorili ih u komunalna čvorišta za veleprodaju. Umesto izgradnje nove infrastrukture, rešili su problem pristupa povezivanjem lokalnih zajednica sa veleprodajnim cenama preko već postojećih prodavnica.

• Dobitnici nagrade za najbolji prototip pretvorili su javnu bazu pritužbi građana u interaktivnu mapu koja prikazuje nedostatke na biciklističkim stazama, dajući građanima instrument da zahtevaju popravke na osnovu podataka koje grad već poseduje, ali ih ne čini vidljivim.

Timovi imaju najviše koristi od deljenog radnog okruženja

Iako većina učesnika nije imala programersko iskustvo, svaki tim je za šest sati napravio funkcionalan prototip. Ipak, timovi koji su radili izolovano, oslanjajući se na pojedinačne AI sesije, brže su upadali u poteškoće. Članovi su se suočavali sa preopterećenjem informacijama i gubljenjem vremena jer su svi koristili različite prepiske sa alatom. Nasuprot tome, timovi koji su se opredelili za rad unutar zajedničkog okruženja uvideli su da je kapacitet za upotrebu veštačke inteligencije znatno veći kada ceo tim sarađuje na istom mestu.

Kada ljudi koriste AI u izolaciji, ograničeni su sopstvenom perspektivom. Istraživanja već pokazuju da timovi koji primenjuju AI nadmašuju i pojedince sa veštačkom inteligencijom i timove bez nje u kvalitetu ishoda. Zapažanja sa takmičenja pokazuju da kada tim koristi AI u zajedničkom prostoru gde svaki član u realnom vremenu vidi rezultate, tehnologija postaje sredstvo za brže testiranje ideja i primenu zajedničkog rasuđivanja celog tima.

Saradnja i konkurentska prednost pomeraju se uzvodno

Fokus timske saradnje se pomera sa operativnog izvršenja pojedinačnih zadataka ka dizajnu radnog toka. U razvoju proizvoda decenijama unazad, saradnja se svodila na koordinaciju egzekucije: ko razvija koju funkcionalnost i kako se delovi integrišu. Ta koordinacija je i dalje potrebna, ali više ne predstavlja glavno usko grlo.

Usko grlo se sada nalazi na samom početku procesa: Da li gradimo pravu stvar? Razumemo li korisnika dovoljno dobro? Jesmo li postavili problem na način koji vodi ka smislenom rešenju?

Ova pitanja se ne mogu rešavati u paralelnim procesima. Ona zahtevaju produktivno sučeljavanje različitih stavova, usporavanje i argumentovanu debatu pre nego što se ubrza sam proces izgradnje. Kada AI preuzme operativno „kako“, ljudi postaju odgovorni za strateško „šta“ i „zašto“ — a to su fundamentalno kolaborativna pitanja.

Tri stvari koje menadžeri moraju raditi drugačije

Iskustva sa ovog inovacacionog maratona daju jasne smernice kako organizovati timove za postizanje uspeha u eri veštačke inteligencije:

1. Stavite snažan fokus na definisanje problema

Kada svako može da generiše radni prototip za nekoliko sati, konkurentska prednost ne dolazi iz brzine izgradnje, već iz kreiranja rešenja kojeg se niko drugi nije setio jer ste problem razumeli i definisali bolje od konkurencije.

Ovaj proces može delovati sporije i haotičnije od same egzekucije, naročito kada AI alati čine izvođenje izuzetno efikasnim. Lako je upasti u zamku prebrzog prelaska na izgradnju radi prividnog osećaja produktivnosti. Menadžeri moraju svesno zaštititi vreme za ovu fazu rada, što podrazumeva:

• Započinjanje projekata definisanjem problema, a ne prikupljanjem gotovih ideja za rešenja;

• Nagrađivanje timova za duboko promišljanje problema, a ne samo za brzinu realizacije;

• Prihvatanje rasprava koje u početku deluju konfuzno, jer je to često odlika kvalitetnog definisanja problema;

• Prepoznavanje vrednosti onih članova tima koji usporavaju proces pitanjem: „Koji problem mi zapravo ovde rešavamo?“

2. Koristite prototipe za preciziranje problema

Lakoća izrade rešenja donosi suštinsku promenu u ulozi prototipa. Nekada su prototipi bili skupi i pravljeni su kasno u procesu, tek kada je sve bilo precizirano. Danas su jeftini i brzi, što omogućava da se grade rano — ne da bi predstavljali konačan odgovor, već da bi diskusiju o strateškom pravcu učinili opipljivom.

Nova svrha prototipa jeste da nesuglasice i dileme učini vidljivim dok je njihovo rešavanje još uvek finansijski i vremenski povoljno. Zato menadžeri treba da:

• Podstiču rano kreiranje grubih i brzih prototipa umesto kasnog plasiranja upeglanih verzija;

• Vrednuju prototipove prema pitanjima koja otvaraju, a ne prema tome koliko deluju dovršeno;

• Očekuju da prvi prototip bude pogrešan, jer je to upravo njegova primarna svrha;

• Osiguraju da se timovi ne vežu za svoju prvu verziju, već da je koriste isključivo kao temelj za dalji dijalog.

3. Organizujte timove prema perspektivama, a ne veštinama

Prototipi postaju koristan alat za učenje samo kada su u prostoriji prisutne prave perspektive za tumačenje onoga što prototip otkriva. Ako AI omogućava svakome da gradi funkcionalna rešenja bez obzira na tehničko obrazovanje, gubi se potreba za strogim strukturiranjem timova isključivo prema formalnim profilima i veštinama.

Najuspešniji timovi nisu bili oni sa najviše tehničkog znanja, već oni koji su okupili različite poglede na problem: nekoga ko razume regulatorni okvir, nekoga ko je lično iskusio problem i nekoga ko ume da osmisli održiv poslovni model. Umesto optimizacije za tehničku pokrivenost, timove treba formirati prema širini perspektiva koje donose.

Kada svi imaju pristup sličnim AI alatima, prednost vašeg tima ne leži u tehničkim kapacitetima, već u dubini razumevanja problema. A ta dubina proizilazi iz okupljanja ljudi koji stvarnost posmatraju iz različitih uglova. Pitanje više nije hoće li AI zameniti timove, već kako će se timovi prilagoditi da obavljaju posao koji mašine ne mogu: suštinski ljudski zadatak odlučivanja o tome koje probleme vredi rešavati i za koga.

Generativna AI (gen AI) ima nekoliko osobina koje ljudima nedostaju: stalno je aktivna, poseduje enciklopedijsko znanje, generiše rezultate trenutno i može da se skaluje beskonačno. Ova nova era AI može delovati zastrašujuće za ograničena, ljudska bića koja su je stvorila. Ljudi sada moraju pažljivije da razmotre gde leži naša jedinstvena vrednost. Koji zadaci ili veštine će ostati izazovni za AI u doglednoj budućnosti? Koje prednosti ljudi mogu zadržati i braniti? U ovom članku autor opisuje četiri ključna područja gde ljudi i dalje imaju prednost, uz ljudske veštine koje ostaju dragocene — za sada.

Oblasti u kojima je AI već prevazišao ljudske sposobnosti

Veštačka inteligencija zasnovana na silicijumu značajno se razvila tokom proteklih decenija. Pre pojave LLM-ova i generativne AI, AI je već nadmašio ljude u mnogim specifičnim oblastima:

• Dame (1994)
• Šah (1996)
• Zadovoljavajući prevod jezika (2006)
• Prepoznavanje rukopisa (2014)
• Razumevanje pročitanog (2017)
• Odgovaranje u razgovoru (2023)
• Prevod jezika na ljudskom nivou (2024)

Ne znamo koje će oblasti AI sledeće osvojiti, ali kandidati uključuju potpuno autonomnu vožnju (nivo 5), hirurgiju, pisanje bestselera, razvoj AI sistema i „sveti gral“: veštačku opštu inteligenciju (AGI) — termin koji je popularizovao Šejn Leg i odnosi se na AI koji dostiže ljudsku sposobnost u širokom spektru kognitivnih zadataka.

Oblasti gde ljudi i dalje imaju prednost nad AI

Razgovarajući s brojnim stručnjacima, potrošačima i skepticima AI u proteklih nekoliko godina, četiri ključne prednosti za ljude stalno se ponavljaju:

1. Emocije: Razumevanje, povezivanje i osetljivo reagovanje na ljudska osećanja.
2. Kompleksnost: Upravljanje nejasnim, širokokontekstualnim izazovima uz holističko rešavanje problema.
3. Fizička prisutnost: Zadaci koji zahtevaju spretnost i interakciju s fizičkim svetom, posebno tamo gde je važna ljudska prisutnost i brzina reagovanja.
4. Kreativnost: Sposobnost generisanja originalnih, novih ideja i rešenja.

1. Emocije

Ljudi su i dalje vrhunski stručnjaci kada su u pitanju „meke veštine“. Gen AI može uverljivo i korisno imitirati empatiju, etiku, pregovore i slične aspekte. Neki već koriste AI za terapiju ili društvo. Ipak, u većini slučajeva, za naše jedinstvene i složene okolnosti, oslanjamo se na druge ljude da nas najbolje razumeju. Ljudski ekspert, prijatelj ili kolega verovatnije će ponuditi nefiltrirane, iznenađujuće ili čak kontroverzne stavove — koji su često korisniji od generičkog, kliničkog odgovora mašine.

Ljudi takođe imaju prednost, jer su interesantni drugim ljudima. Evoluirali smo tako da obraćamo pažnju na to šta drugi misle, osećaju, govore i rade. Ovo je suština ljudskih priča, koje su već dve decenije gorivo društvenih mreža. Volimo sport, muziku i komediju zbog ljudi koji igraju, nastupaju i nasmejavaju nas. AI-generisan udarac u tenisu, pop pesma ili šala — ma koliko bili dobri — nikada neće imati isti uticaj.

Ljudske veštine koje ostaju dragocene (za sada): ubeđivanje, samosvest, etika, slušanje, pričanje priča i prodaja.

2. Kompleksnost

Svet je i dalje previše složen za AI.

AI je nadmašio ljude u jasno definisanim, ograničenim i kontrolisanim oblastima, poput igranja dama, šaha i goa. Takođe se dobro snalazi u drugom talasu tehničkih veština u širim domenima, poput predviđanja kodova dok programeri kucaju, generisanja koda za rešavanje problema, prevođenja koda između programskih jezika, ispravljanja grešaka i pisanja prateće dokumentacije. AI može proizvoditi marketinške tekstove, pravne dokumente i pojednostavljivati finansijsko knjigovodstvo.

Međutim, svet je prepun mnogo težih problema. Klimatske promene, siromaštvo, socijalna pravda i poslovne strategije — poznati kao „neukrotivi problemi“ prema profesorima Horstu Ritelu i Melvinu Veberu — zahtevaju razumevanje podataka iz različitih konteksta. AI još uvek ne može da integriše takve raznovrsne domene.

Kako su istakli Jan Lekun, glavni naučnik za AI u Meta-i, i drugi stručnjaci, gen AI je treniran isključivo na tekstu (iako ogromnoj količini teksta), što je samo mali deo podataka na koje se ljudi oslanjaju — poput DNK koda, čulnih i telesnih iskustava sveta, emocija i drugih aspekata. Stoga ne možemo očekivati da će AI rešavati složene, „neukrotive“ probleme u skorijoj budućnosti.

Ljudske veštine koje ostaju dragocene (za sada): rešavanje složenih problema, razumevanje konteksta, upravljanje rizicima, strategija, vizija i intuicija.

3. Fizička prisutnost

Gen AI ne može direktno da interaguje s fizičkim svetom.

Ako treba da pošaljete pismo, postavite policu, pokažete novom zaposlenom prostorije ili nekoga pogledate u oči tokom pregovora, gen AI to ne može učiniti umesto vas.

Roboti će još dugo biti u razvoju. Stručnjaci predviđaju da ćemo kućne robote videti za oko deceniju. Čak i Ilon Mask, jedan od najvećih entuzijasta u oblasti robotike, priznaje da će roboti postati uobičajeni tek do 2040. godine. Potpuno autonomna vozila takođe su uzela mnogo više vremena nego što su Mask i drugi predviđali.

Postoje i profesionalne interakcije za koje je ljudski fizički dodir ključan. Negovatelji, kuvari, sportisti, medicinske sestre, sakupljači otpada, frizeri i zanatlije moraju biti prisutni u stvarnom svetu kako bi pružili svoju vrednost.

Ljudske veštine koje ostaju dragocene (za sada): spretnost, govor tela, fizička snaga, ravnoteža, koordinacija, taktilna osetljivost, držanje i koordinacija ruke i oka.

4. Kreativnost

Ako se AI trenira na podacima koji su već viđeni, teško je očekivati da tehnologija generiše nešto zaista novo.

Gen AI može proizvesti rečenicu, paragraf ili sliku koju svet nikada nije video. Ali može li stvoriti autentičnu kreativnost — nešto što je novo na način koji nas pokreće i deluje važno?

Iako je lansiranje AI tehnologija za generisanje medija izazvalo pažnju, potrošačima to nije previše značajno. Spotify sada uključuje AI generisanu muziku, ali najveći hitovi su i dalje delo muzičara od krvi i mesa. Malo ljudi gleda AI generisane filmove, niti to želi. Iako je AI generisana slika prodata za milion dolara, to je daleko od 450 miliona plaćenih za da Vinčijevu sliku Salvator Mundi. Cenimo istoriju i retkost — kvalitete koje AI ne može da pruži.

Kvalitetno pisanje je takođe sigurno — za sada. Gen AI, treniran uglavnom na dve decenije sadržaja sa interneta, ne može proizvesti istinski kvalitetnu prozu. Ljudski stručnjaci i dalje pišu i uređuju članke.

Ljudske veštine koje ostaju dragocene (za sada): mašta, generisanje ideja, estetska procena, lateralno razmišljanje, umetnički izražaj i radoznalost.

Kako ljudi i AI mogu međusobno da se dopunjuju

Razvijanje veština u jednom ili više navedenih pravaca pomoći će vam da osigurate da vaš doprinos ne može replicirati gen AI.

Izbor između ljudi i AI nije binaran. AI može unaprediti ljudske sposobnosti i obrnuto. Na primer, savetnik vlade može koristiti meteorološke podatke AI sistema kao ulaz za složenu geopolitičku odluku. Negovatelj može koristiti AI za prevod jezika radi boljeg povezivanja s pacijentom.

Potencijal spajanja ljudskih i AI sposobnosti postaje jasniji kada analiziramo veštine. AI trenutno najbolje funkcioniše u mikro-zadacima uz ljude. Na primer, stručni blogeri koriste AI za prikupljanje primera, pronalaženje reči ili generisanje ideja. AI je još uvek najsnažniji kao podrška u manjim koracima procesa.

Mnogo poslova i veština ostaje u domenu ljudi. Usmerite svoju pažnju na razvijanje jedne od navedenih veština i razmislite kako AI može da pomogne u njenoj realizaciji. To će osigurati vašu relevantnost u svetu koji se sve brže menja.

Generativna veštačka inteligencija (AI), posebno veliki jezički modeli (LLMs), nudi obećavajući novi alat za istraživanje tržišta u ranoj fazi simuliranjem reakcija kupaca na koncepte proizvoda. Ovo može omogućiti kompanijama da donose zaključke slične onima koje bi dobile anketiranjem kupaca ili sprovođenjem fokus grupa, ali uz mnogo manje vremena i troškova. Iako LLMs mogu pružiti isplative i brze uvide, i dalje zahtevaju fino podešavanje (fine-tuning) sa vlasničkim podacima kako bi se dobile precizne procene preferencija. I uprkos njihovom potencijalu, LLMs bi trebalo da dopune, a ne da zamene ljudsko istraživanje, jer imaju poteškoća sa nijansiranom segmentacijom kupaca i dinamičnim tržišnim uslovima.

U ranim fazama inovacija, kompanije se suočavaju sa poznatom dilemom: Koje ideje zaslužuju dalje ulaganje? Tradicionalno rešenje, istraživanje tržišta usmereno na ljude, može pružiti vredne uvide — ali često može biti sporo, skupo i ograničenog obima. Sada, generativna AI nudi intrigantan novi alat: sintetičke kupce.

Veliki jezički modeli (LLMs), kao što su Chat GPT i Gemini, privukli su pažnju svojom sposobnošću da generišu sadržaj i ideje. Ali manje istražena granica je njihov potencijal da simuliraju reakcije kupaca na koncepte proizvoda i njegovih karakteristika. Naše istraživanje pokazuje da LLMs, ako se pažljivo koriste, mogu funkcionisati kao sintetičke fokus grupe, pružajući rane uvide o preferencijama kupaca za delić vremena i troškova u poređenju sa studijama koje uključuju ljude.

LLMs ne pomažu samo u stvaranju ideja za proizvode; oni ih takođe mogu testirati. Predstavljanjem konfiguracija proizvoda ovim modelima na strukturiran način, možemo proceniti „sintetičku“ spremnost za plaćanje (willingness-to-pay - WTP), uporediti alternative, pa čak i označiti ideje koje će verovatno propasti, sve pre angažovanja ijednog ljudskog ispitanika. Kroz nekoliko studija u stilu „conjoint“ analize u kategorijama kao što su pasta za zube, laptopovi i tableti, otkrili smo da LLMs, posebno kada su fino podešeni sa vlasničkim podacima, često daju procene preferencija izuzetno bliske onima kod stvarnih potrošača.

Primenjen u praksi, ovaj pristup nudi više od pukog povećanja efikasnosti u pogledu troškova ili vremena (iako su i ona značajna). Takođe može proširiti vrh levka inovacija, omogućavajući rigoroznije i skalabilno istraživanje ranih ideja.

Od generatora teksta do tržišnog simulatora

LLMs su obučeni na ogromnim skupovima podataka koji uključuju recenzije proizvoda, diskusije i obrasce ponašanja izražene prirodnim jezikom. To ih čini iznenađujuće veštim u odgovaranju na strukturirana pitanja o proizvodima zasnovana na izboru.

U našim studijama, koristili smo program da direktno postavljamo upite LLM modelima sa poređenjima proizvoda koja oponašaju ankete u istraživanju ljudskog tržišta. Na primer: „Da li biste kupili Colgate pastu za zube sa fluoridom za $2.99 ili verziju bez fluorida za $1.99?“ Ponavljanjem ovih upita kroz stotine nasumičnih konfiguracija proizvoda, generisali smo distribucije simuliranih odgovora kupaca. (Napomena: Koristili smo program koji je direktno slao upite LLM-u, a ne interfejs za chat.) Koristeći standardne metode „conjoint“ analize, zatim smo procenili WTP za različite karakteristike proizvoda.

Da bismo procenili odgovore LLM-a, takođe smo sproveli ove „conjoint“ studije sa ljudskim uzorcima. Rezultati? LLMs su proizveli realistične i usmereno tačne preferencije za mnoge poznate atribute. Na primer, sintetički kupci su vrednovali fluorid u pasti za zube i dodatnu RAM memoriju u laptopovima na načine koji su odražavali ljudske uzorke. Štaviše, distribucija simuliranih odgovora je obuhvatila važne kompromise između cene i karakteristika.

Važno je napomenuti da ovo nije bilo samo nekoliko pažljivo odabranih primera. U više kategorija proizvoda, LLMs su dosledno generisali rangiranje preferencija koje se poklapalo sa rezultatima dobijenim od ljudi. Kao alat za preliminarno testiranje, potencijal je jasan: LLMs mogu rano označiti slabe ideje i dati prioritet obećavajućim pravcima pre početka formalnog istraživanja.

Ali postoje ograničenja — i ona su važna

Uprkos ovim obećavajućim rezultatima, LLMs „sa police“ (off-the-shelf) nisu savršeni simulatori. Zapravo, oni imaju tendenciju da precenjuju interesovanje za nove ili neobične karakteristike. Kada smo testirali nove ukuse paste za zube kao što su „palačinka“ ili „krastavac“, sintetički potrošači LLM-a pokazali su daleko više entuzijazma nego stvarni ljudi. Bez utemeljenja u stvarnim potrošačima, generativna AI je zamišljala kupce koji naginju uzbuđenju i znatiželji, osobinama koje se ne pretvaraju uvek u prodaju.

Štaviše, LLMs imaju poteškoća sa segmentacijom kupaca. Kada im se postave upiti sa demografskim modifikatorima (npr. „vi ste kupac sa niskim primanjima“ ili „vi ste republikanac“), odgovori su se menjali, ali često na nedosledan ili preuveličan način. Čak i nakon finog podešavanja, LLM nije mogao pouzdano da reprodukuje nijansirane razlike u preferencijama između demografskih grupa koje su otkrila istraživanja sa ljudima.

Na primer, prilikom procene WTP za MacBook u poređenju sa Surface laptopom, LLM je preuveličao razlike u preferencijama između platnih razreda u odnosu na stvarne ljude. Tačno je pokazao da bi sintetički pojedinci koji su republikanci bili spremni da plate manje za brend Apple od onih koji su demokrate; međutim, pokazao je razliku od $625, dok je razlika u ljudskim uzorcima bila samo $72. Međutim, kada je fino podešen sa podacima kompanije, LLM je imao tendenciju da „usrednji“ svoja predviđanja, zamagljujući važnu heterogenost (npr. tvrdeći da su i demokrate i republikanci bili spremni da plate isti iznos za brend Apple).

Pored toga, LLMs su unapred obučeni, i bez dodatnih podataka za obuku koje pruža istraživač ili pristupa internetu, oni mogu otkriti statične preferencije i ne prilagođavati se dinamički trenutnim tržišnim uslovima, čime pružaju nebitne informacije.

Konačno, brzi razvojni ciklusi i često uvođenje novih LLM modela zahtevaju procenu osnovnih odgovora svake verzije LLM-a, što otežava njihovu upotrebu u procesu razvoja proizvoda.

Ukratko: Korišćenjem naših metodologija, LLMs trenutno mogu aproksimirati prosečne tržišne signale, ali ne i uvide specifične za segment. Za bilo šta izvan detekcije trendova na visokom nivou u ranoj fazi, istraživanje sa ljudima ostaje suštinski važno.

Moć vlasničkih podataka

Jedno od najubedljivijih otkrića u našem istraživanju je koliko bolje LLMs rade kada su fino podešeni sa sopstvenim istorijskim podacima o klijentima kompanije.

Konkretno, koristili smo prethodne ankete kupaca za fino podešavanje LLM-a. Fino podešavanje (Fine-tuning) podrazumeva prilagođavanje parametara modela na osnovu odgovora iz tih prošlih anketa. Ovaj proces poboljšava sposobnost LLM-a da simulira preferencije slične ljudskim, čak i za karakteristike koje ranije nije video.

Na primer, fino smo podesili LLM koristeći odgovore iz studije o pasti za zube sa standardnim ukusima (nana, cimet, jagoda). Zatim smo od njega tražili da proceni preferencije za nove ukuse (palačinka, krastavac). Fino podešen model je preokrenuo svoj raniji entuzijazam i dao WTP procene koje su bile u skladu sa odgovorima ljudi — uključujući i prepoznavanje da većina ljudi smatra „pastu za zube sa ukusom palačinke“ neprivlačnom.

Ovaj obrazac se ponovio u kategoriji tehnologije. Nakon finog podešavanja na osnovu prošlih anketa sa karakteristikama laptopova kao što su veličina ekrana i RAM, LLM je dao daleko preciznije WTP procene za potpuno novu karakteristiku, ugrađene projektore, nego što je to činio u svom osnovnom obliku.

Ali metoda finog podešavanja je funkcionisala samo u istoj kategoriji interesovanja. Kada smo modelu koji je bio fino podešen koristeći ankete o laptopovima postavili upit o tabletima, bliskoj ali različitoj kategoriji, on je radio lošije od modela „sa police“ (off-the-shelf).

Ključni zaključak: firme koje grade i fino podešavaju sopstvene interne „simulatore kupaca“ koristeći LLMs i istorijske podatke iz anketa mogu otključati oštrije uvide u ranoj fazi. Ovo stvara oblik konkurentske prednosti zasnovane na podacima: dve firme koje koriste isti osnovni LLM dobiće različite rezultate ako je jedna od njih obučila model na preferencijama sopstvenih kupaca.

Troškovi, brzina i prošireni levak inovacija

Tradicionalne „conjoint“ studije mogu koštati desetine hiljada dolara i zahtevati nedelje za dizajniranje, sprovođenje i analizu. Naše studije zasnovane na LLM modelima trajale su samo nekoliko sati, uz delić troškova. Bili smo u mogućnosti da generišemo hiljade simuliranih odgovora i brzo ponavljamo proces.

Ova brzina omogućava drugačiju vrstu inovacionog procesa. Umesto da razvijaju samo nekoliko ideja za testiranje, timovi sada mogu da istraže desetine, pa čak i stotine, ranih koncepata, koristeći sintetičke potrošače kao filter. Ovo proširuje vrh levka inovacija, dok sužava dno uz pomoć preciznijih podataka.

Na primer, kompanija za robu široke potrošnje mogla bi sintetički testirati 40 novih varijacija proizvoda, a zatim sprovesti ankete sa ljudima na 5 najperspektivnijih. Ovo smanjuje rasipanje i osigurava da je ljudska pažnja usmerena tamo gde je najvažnije.

Dopuna, a ne zamena

Primamljivo je zamisliti budućnost u kojoj sintetički kupci u potpunosti zamenjuju istraživanje sa ljudima. Ta budućnost još nije stigla, a možda nikada i neće.

Iako LLMs mogu generisati kredibilne uvide u prvoj fazi, i dalje im nedostaju nijanse, emocionalna inteligencija i varijabilnost stvarnih ljudi. Što je još važnije, oni odražavaju postojeće podatke i ponašanje i stoga nasleđuju sve njihove pristrasnosti i slepe tačke.

Ako se koriste odgovorno, LLMs bi trebalo da dopune, a ne da zamene, istraživanje tržišta. Naše studije pokazuju da se mogu primeniti rano u životnom ciklusu razvoja proizvoda, kada je cilj istraživanje i određivanje prioriteta, a ne validacija ili segmentacija.

Štaviše, marketinški stručnjaci moraju ulagati u interno prikupljanje podataka i upravljanje njima kako bi maksimizirali vrednost ovih alata. Fino podešen model izgrađen na godinama pažljivo strukturiranih podataka iz anketa daleko je korisniji od onog koji se oslanja samo na obuku sa interneta.

Budućnost istraživanja tržišta?

Generativna AI preoblikuje način na koji preduzeća dizajniraju, testiraju i lansiraju nove proizvode. Sintetički kupci nisu zamena za stvarne, ali bi mogli biti moćno novo sočivo za rane uvide.

Kombinovanjem LLM modela sa rigoroznim istraživačkim metodama, kompanije mogu brže da inoviraju, efikasnije filtriraju ideje i smanje rizik od skupih grešaka. Ne radi se o borbi čoveka protiv mašine, već o korišćenju mašina za efikasnije slušanje, kako bi ljudi mogli da donose bolje odluke.

Kako se ova oblast razvija, jedna stvar je jasna: firme koje nauče da kombinuju sintetičke i ljudske uvide predvodiće sledeći talas inovacija usmerenih na kupca.

Inicijative za uvođenje generativne veštačke inteligencije često zastaju ne zbog upravnog odbora, dobavljača ili obuke, već zato što menadžeri srednjeg nivoa određuju kako se AI prevodi u svakodnevni rad. Postoji pet različitih profila koji utiču na to kako menadžeri percipiraju AI i sprovode nove inicijative sa svojim timovima: AI skeptici, tradicionalisti koji čekaju i posmatraju, oprezni implementatori, entuzijastični eksperimentatori i AI katalizatori. Svaki od njih različito reaguje na rizik, dokaze, podsticaje i podršku. Efikasni lideri moraju prilagoditi svoj pristup svakom profilu, kombinujući jasno upravljanje, odgovarajuće podsticaje i ciljanu podršku. Sledeća faza konkurentske prednosti u oblasti veštačke inteligencije neće pripadati kompanijama sa najglasnijim direktivama, već onim kompanijama koje znaju sa kojim menadžerima imaju posla i svakom od njih pružaju tačno ono što mu je potrebno da krene napred.

Najčešća tačka neuspeha u primeni generativne veštačke inteligencije nije sala za sastanke upravnog odbora, uži izbor dobavljača niti portal za obuku. To je sloj menadžera koji mora da pretvori ambiciju rukovodstva u svakodnevno ponašanje. Zbog toga usvajanje generativne AI stalno zastaje, čak i u organizacijama gde su viši lideri odobrili budžet, odabrali platformu i najavili direktivu. Menadžeri srednjeg nivoa odlučuju da li će AI postati radni proces, sporedni eksperiment, glavobolja u pogledu usklađenosti ili tiha žrtva organizacionog izbegavanja.

Menadžeri srednjeg nivoa rade više od pukog sprovođenja odluka rukovodstva. Oni tumače šta te odluke znače za zaposlene. Operativni timovi posmatraju svoje menadžere kako bi utvrdili da li AI predstavlja koristan alat, prolazni trend, mehanizam nadzora ili upozorenje o budućim otpuštanjima. Rukovodilac može obećati da će AI smanjiti monoton rad, ali zaposleni veruju tom obećanju tek kada njihovi menadžeri u skladu sa tim promene obim posla, prakse pregleda rada, očekivanja u pogledu učinka i prava odlučivanja. To čini usvajanje generativne veštačke inteligencije izazovom operativnog modela, a ne konvencionalnom implementacijom softvera. Menadžeri srednjeg nivoa nalaze se na mestu gde se strateška ambicija susreće sa strepnjom zaposlenih, dvosmislenim smernicama, postojećim radnim tokovima i odgovornošću za manjkave rezultate.

Viši lideri često pogrešno dijagnostikuju problem. Oni pretpostavljaju da usvajanje zavisi od tri poteza: artikulisanja strategije, odabira tehnologije i obuke radne snage. Ti koraci su neophodni, ali su retko dovoljni. AI transformacija se odvijala brže od većine operativnih modela. Mekinzijev izveštaj o stanju AI za 2025. godinu (McKinsey’s 2025 State of AI) pokazao je da je upotreba veštačke inteligencije široko rasprostranjena, ali mnoge organizacije je još uvek nisu ugradile dovoljno duboko u radne tokove i procese da bi ostvarile materijalnu vrednost za preduzeće. Štaviše, Majkrosoftov i Linkedinov Indeks trendova rada za 2024. godinu (Microsoft and LinkedIn’s 2024 Work Trend Index) utvrdio je da su zaposleni već koristili AI na poslu, dok su mnogi lideri i dalje bili bez jasnog puta od individualne produktivnosti do poslovne vrednosti, što odražava jaz između entuzijazma i egzekucije. Mehanizam koji nedostaje jeste menadžersko prevođenje: ko odlučuje koji se radni tokovi menjaju, kako se proverava kvalitet, šta je zaposlenima dozvoljeno da isprobaju i šta se dešava kada rad potpomognut veštačkom inteligencijom krene po zlu.

Razmotrite šta se dešava nakon što izvršni tim objavi da svako odeljenje treba da počne da koristi generativnu veštačku inteligenciju. Jedan menadžer daje zaposlenima dozvolu za eksperimentisanje, uspostavlja standarde pregleda i identifikuje radni tok vredan redizajniranja. Drugi menadžer govori malo, čeka jasnija uputstva i nastavlja da ocenjuje zaposlene prema starom procesu. Za nekoliko meseci, prvi tim je razvio ponovljivu praksu, dok se drugi podelio na zaposlene koji izbegavaju AI i zaposlene koji je koriste potajno, bez ikakvog nadzora.

Ovo razilaženje stvara više od neujednačenog usvajanja. Ono stvara nedosledan kvalitet, skrivene rizike po podatke, duplirane eksperimente, frustrirane zaposlene i ulaganja u tehnologiju koja nikada ne donose značajne povrate. Kako generativna veštačka inteligencija prelazi iz opcionalnog eksperimentisanja u osnovne poslovne procese, organizacije imaju sve manje prostora da ove odluke prepuste menadžerskoj improvizaciji.

Pet načina razmišljanja menadžera koji oblikuju usvajanje

Moje istraživanje ukazuje na precizniju dijagnozu. Istražujući za svoju knjigu, Psihologija usvajanja AI na poslu (The Psychology of AI Adoption at Work), i oslanjajući se na više od 35 fokus grupa sa preko 250 menadžera srednjeg nivoa, uz 22 dubinska intervjua u organizacijama u sektorima kao što su osiguranje, proizvodnja, pravne usluge, maloprodaja, obrazovanje i tehnologija, otkrio sam da menadžeri srednjeg nivoa ne predstavljaju jedinstven blok koji pruža otpor promenama. Oni se grupišu u pet psihografskih profila. Svaki profil različito reaguje na pritisak, rizik, dokaze, podsticaje i upravljanje. Tretiranje svih njih na isti način može stvoriti nekoliko impresivnih pilot projekata, ali retko donosi dosledno usvajanje u svim odeljenjima.

AI skeptik

Prvi profil, AI skeptik, najlakše je karikirati i sa njim je najlakše pogrešno postupiti. Skeptici nisu samo tvrdoglavi. Oni često imaju legitimne zabrinutosti u pogledu odgovornosti, gubitka posla, privatnosti podataka, kvaliteta i ljudske cene automatizacije. Videli su kako su prošle „transformacije“ dolazile sa parolama, a za sobom ostavljale narušene procese. Kada sažetak usklađenosti koji je generisala AI sadrži grešku, oni očekuju da budu osobe koje će za to odgovarati. Kada rukovodioci govore o efikasnosti, oni čuju rizik od smanjenja broja zaposlenih.

U svakodnevnoj praksi, skeptični menadžeri mogu odlagati odobrenja alata, ograničiti AI na opcionalno individualno eksperimentisanje ili zahtevati od zaposlenih da opravdaju svaki pojedinačni slučaj upotrebe. Na primer, jednom sam vodio obuku o liderstvu gde je jedan skeptik više puta insistirao na tome da ne veruje AI alatima sa podacima svog tima, uprkos činjenici da je IT odeljenje kompanije proverilo i odobrilo Uslove korišćenja softverskog paketa, u kojima izričito stoji da se modeli ne obučavaju ni na kakvim podacima korisnika koji se pretplate na taj paket. U obrazovnim ustanovama i neprofitnim organizacijama, ovo neprijateljstvo se ispoljava kao oklevanje da se koristi AI zbog navodne prekomerne potrošnje električne energije i vode.

Timovi AI skeptika često reaguju na jedan od dva načina: u potpunosti izbegavaju AI, ili je koriste potajno, bez deljenja upita, rezultata ili grešaka. Prvi odgovor guši učenje, dok drugi stvara upotrebu AI u senci, bez zajedničkih standarda kvaliteta ili bezbednosti.

Pogrešna intervencija za skeptike jeste još više evangelizacije. Ovim pojedincima su potrebni dokazi uz jasnu odgovornost. Lideri bi trebalo da im daju uske pilot projekte niskog rizika sa definisanim metrikama, ljudskim pregledom i eksplicitnim pravilima o tome ko snosi odgovornost za greške napravljene uz pomoć AI. Pilot projekti veštačke inteligencije koji su zaista važni nisu upadljive demonstracije. To su pažljivo odabrani testovi radnog toka koji porede vreme ciklusa, kvalitet, dorade, iskustvo zaposlenih i rizične događaje u odnosu na trenutni proces. Skeptici moraju da vide da organizacija od njih ne traži da apsorbuju neupravljani rizik u zamenu za tuđu priču o produktivnosti.

Tradicionalista koji čeka i posmatra

Drugi profil stvara tiše usko grlo. Ovi menadžeri ne blokiraju AI; oni je odlažu. Traže još jedan dokaz, lekcije drugog odeljenja, još jedan dopis o smernicama, još jedno tromesečje posmatranja. Njihov otpor često zvuči razumno jer koristi jezik opreznosti. Ipak, pasivnost postaje strateško opterećenje kada svaki tim čeka da neki drugi tim krene prvi. Ovde upravljanje promenama u oblasti veštačke inteligencije mora da prevaziđe generičke obuke i stvori pritisak kolega putem verodostojnih internih primera.

Tradicionalisti koji čekaju i posmatraju najbolje reaguju na poređenje, a ne na prinudu. Spojite ih sa cenjenim menadžerima koji su vodili uspešne pilot projekte u srodnim funkcijama. Pokažite im kako je marketinški tim skratio vreme pisanja prvog nacrta zadržavajući ljudsku uredničku kontrolu, ili kako je finansijski tim koristio AI da sažme objašnjenja odstupanja bez automatizovanja konačne procene. Dajte im malu obavezu usvajanja vezanu za njihov sopstveni radni tok, a ne sveobuhvatan cilj na nivou celog preduzeća. Njihovo osnovno pitanje nije „Da li je AI dobra?“ već „Zašto bih sada trošio oskudnu menadžersku pažnju na ovo?“ Liderima je potreban odgovor utemeljen na ograničenjima njihovog odeljenja.

Oprezni implementator

Oprezni implementator je često najvredniji menadžer u sistemu. Ovi menadžeri su otvoreni za AI, ali disciplinovani u pogledu kontrola. Oni traže selekciju slučajeva upotrebe, protokole pregleda, puteve eskalacije i merljive ishode. Oni su ljudi koji će najverovatnije pretvoriti entuzijazam u skalabilnu praksu. Ipak, organizacije ih često frustriraju pružanjem neodređene dozvole umesto upotrebljive infrastrukture. Opreznom implementatoru nije potreban još jedan inspirativni zajednički sastanak. Potrebna im je biblioteka upita, odobrena pravila o korišćenju podataka, šabloni za pilot projekte, provere kvaliteta i forum za iznošenje nedostataka bez straha od kazne.

Kada lideri ostave te zahteve nedefinisanim, oprezni implementatori drže pilot projekte u uskim okvirima, odlažu širu primenu ili šalju svaki novi slučaj upotrebe kroz ponovljene krugove pregleda. Njihovi timovi mogu odgovorno koristiti AI, ali samo u izolovanim džepovima koji nikada ne postaju standardna praksa. Ono što rukovodiocima izgleda kao preterana opreznost može zapravo odražavati odsustvo operativnog sistema za odgovorno usvajanje.

Ovde strategija veštačke inteligencije postaje operativna. Istraživanje BCG-a iz 2026. godine pod nazivom AI na poslu (BCG’s 2026 AI at Work) tvrdi da je strateška jasnoća važnija od pristupa alatima jer se poslovi menjaju brže nego što kompanije redizajniraju poslovanje. Oprezni implementatori su most između te dve realnosti. Oni mogu uzeti cilj rukovodstva poput „koristite AI za poboljšanje odziva kupcima“ i prevesti ga u proveren proces: koji upiti kupaca se kvalifikuju, koji izvori podataka su dozvoljeni, šta AI sastavlja, šta ljudi proveravaju i šta se prati nakon lansiranja.

Lideri bi trebalo da daju opreznim implementatorima ovlašćenje da osmisle proces pregleda za ograničeni slučaj upotrebe, zajedno sa blagovremenim pristupom pravnoj ekspertizi, ekspertizi za informacionu bezbednost, ljudske resurse ili usklađenost. Zatim bi trebalo da zatraže od ovih menadžera da dokumentuju radni tok, provere kvaliteta, nedostatke i rezultate u formatu koji drugi timovi mogu ponovo iskoristiti. Ovo pretvara njihovu opreznost u organizacionu infrastrukturu umesto da joj dozvoli da postane trajna kočnica za usvajanje.

Entuzijastični eksperimentator

Četvrti tip menadžera donosi zamah. Entuzijastični eksperimentatori isprobavaju nove alate, dele upite, organizuju neformalne demonstracije i čine da AI deluje praktično, a ne apstraktno. Oni mogu pretvoriti anksioznost u radoznalost jer kolegama pokazuju stvarne rezultate, a ne prezentacije. U mnogim organizacijama, oni su prvi ljudi koji dokazuju da usvajanje AI može preći sa lične produktivnosti na praksu na nivou tima. Vortonov izveštaj o usvajanju AI za 2025. godinu (Wharton’s 2025 AI Adoption Report) naglašava važnost poluga u ljudima i procesima za pretvaranje mejnstrim upotrebe u trajni povrat investicije, a entuzijastični eksperimentatori su često mesto gde se te poluge prvi put pojavljuju.

Njihov rizik je brzina bez strukture. Entuzijastični eksperimentatori mogu koristiti alate pre nego što pravna služba, odeljenje za usklađenost, informacionu bezbednost ili HR razjasne granice. Oni mogu nenamerno normalizovati nebezbedne prakse jer rane pobede deluju tako ubedljivo. Lideri ne bi trebalo da ih usporavaju birokratijom, već bi trebalo da ih usmere postavljanjem zaštitnih ograda. Dajte im odobrene alate, zajedničke biblioteke upita, standarde pregleda i vidljiv put za postavljanje pitanja o pravilima. Odajte im priznanje za bezbedne ishode, a ne samo za brzo delovanje.

AI katalizator

Poslednji profil, AI katalizator, istovremeno je i dar i test upravljanja. Katalizatori vide generativnu AI kao široki pokretač transformacije. Oni žele da redizajniraju procese u više timova, utiču na kolege, grade koalicije i podstiču rukovodioce da se kreću brže. U pravom okruženju, oni postaju interni preduzetnici koji pomažu organizaciji da pobegne iz čistilišta pilot projekata. U pogrešnom okruženju, oni prevazilaze granice poverenja, potcenjuju usklađenost i izazivaju negativne reakcije timova koji se osećaju kao zamorčići u eksperimentu.

Za katalizatore, upravljanje veštačkom inteligencijom mora biti omogućavajuće, a ne performativno. Profil generativne AI u okviru NIST-ovog Okvira za upravljanje rizicima od AI (NIST’s Generative AI Profile for the AI Risk Management Framework) identifikuje rizike kao što su privatnost podataka, informaciona bezbednost, konfabulacija (halucinacije), štetna pristrasnost i pitanja intelektualne svojine. Ti rizici nisu razlozi za zaustavljanje katalizatora. Oni su projektni zahtevi za odgovorno ubrzanje. Zatražite od katalizatora da sprovedu premortem analize pre pilot projekata visokog uticaja, definišu pragove eskalacije, dokumentuju tačke ljudskog pregleda i izveste o naučenim lekcijama u formatu koji drugi timovi mogu ponovo upotrebiti.

Uskladite intervenciju sa menadžerom

Identifikovanje ovih pet profila je samo prvi korak. Većina organizacija sadrži svih pet, često unutar iste funkcije ili liderskog tima. Višim liderima je stoga potreban ponovljiv način da dijagnostikuju šta sprečava svakog menadžera da deluje i da u skladu sa tim usklade podršku, podsticaje i odgovornost.

Praktična dijagnostika počinje sa tri pitanja:

• Čega se ovaj menadžer plaši da će izgubiti?
• Koji dokazi bi promenili njegovo mišljenje?
• Kakva podrška bi mu omogućila da deluje odgovorno?

Skeptici se plaše odgovornosti i gubitka radnog mesta. Tradicionalisti koji čekaju i posmatraju plaše se uzaludnog truda i političke izloženosti. Oprezni implementatori se plaše neupravljanog rizika. Entuzijastični eksperimentatori se plaše propuštene prilike, a katalizatori organizacione plašljivosti. Te razlike su važne jer svaki profil zahteva drugačiji odgovor lidera.

Lideri takođe moraju da redizajniraju podsticaje. Previše organizacija javno nagrađuje entuzijazam prema veštačkoj inteligenciji, dok privatno kažnjava greške u vezi sa njom. To gura menadžere u defanzivno ponašanje. Ako se menadžeru kaže da eksperimentiše, ali biva okrivljen za svaku nesavršenost, racionalan potez je da čeka. Ako se slavi brzina bez imalo pažnje posvećene tačnosti, privatnosti ili poverenju, racionalan potez je preterivanje. Bolji sistem nagrađuje disciplinovano učenje: jasne hipoteze, odgovorne pilot projekte, merljiv uticaj na radni tok, transparentno prijavljivanje grešaka i skaliranje zasnovano na dokazima.

Za menadžere koji pružaju otpor, intervencija se sastoji od dokaza i psihološke bezbednosti. To podrazumeva transparentne razgovore o uticaju na poslove, posebno zato što Izveštaj o budućnosti poslova Svetskog ekonomskog foruma (World Economic Forum’s Future of Jobs Report) identifikuje AI i obradu informacija kao glavne sile koje preoblikuju rad i veštine do 2030. godine. Lideri ne bi trebalo da se pretvaraju da poremećaja neće biti. Trebalo bi da kažu šta će se promeniti, šta neće, koje veštine će biti važne i kako će menadžeri koji nauče da unaprede rad pomoću AI biti u boljoj poziciji od onih koji je izbegavaju.

Za menadžere koji pružaju podršku, intervencija se sastoji od omogućavanja uz postavljanje granica. Pružite opreznim implementatorima operativnu disciplinu koja im je potrebna, a entuzijastičnim eksperimentatorima bezbedno okruženje za testiranje i mehanizam za širenje korisnih praksi. Dajte katalizatorima mandat vezan za kontrolu rizika. Klasična premortem analiza projekta je ovde posebno korisna jer legitimizuje neslaganje pre nego što pilot projekat uopšte počne. Postavljanje pitanja: „Zamislite da je ovaj AI pilot projekat doživeo potpuni neuspeh; šta se dogodilo?“ pomaže timovima da iznesu pravne rizike, kao i rizike kvaliteta, poverenja, radnog toka i usvajanja dok još uvek ima vremena da se poduhvat redizajnira.

Pravi test korporativne veštačke inteligencije jeste menadžersko poverenje

Rukovodioci bi trebalo da prestanu da pitaju: „Zašto zaposleni ne usvajaju AI?“ i umesto toga postave pitanje: „Koji profili menadžera srednjeg nivoa oblikuju usvajanje u svakoj funkciji i da li smo uskladili intervenciju sa tim profilom?“ To pitanje pretvara nejasan kulturološki problem u praktičan menadžerski plan. Ono pomaže liderima da izbegnu gubljenje meseci na ponovljene pilot projekte, smanje anksioznost pre nego što ona preraste u otpor i iskoriste energiju ranih usvojilaca a da im ne dozvole da prestignu upravljačke okvire.

Usko grlo je stvarno, ali je takođe i rešivo. Menadžeri srednjeg nivoa mogu da blokiraju generativnu AI, da je razvodnje, iskrive — ili da je pretvore u merljivu poslovnu vrednost. Viši lideri koji žele praktične smernice o odgovornom usvajanju veštačke inteligencije trebalo bi da počnu tako što će menadžere tretirati kao operativni sistem transformacije, a ne kao instalacije skrivene ispod strategije. Sledeća faza prednosti veštačke inteligencije neće pripadati kompanijama sa najglasnijim direktivama. Pripadaće kompanijama koje znaju sa kojim menadžerima imaju posla i pružaju svakom od njih tačno ono što mu je potrebno da krene napred.

Startup ekosistem se menja usled uspona veštačke inteligencije. AI favorizuje veće kompanije, što zahteva promenu pristupa za startupe od poremećaja ka transformaciji. Iako će se startupi suočiti s izazovima u pristupu dovoljnim količinama podataka i računskoj snazi, i dalje imaju prilike za inovacije pružanjem usluga pokretanih veštačkom inteligencijom direktno potrošačima.

Silicijumska dolina je tokom otprilike 30 godina doživela izvanredno razdoblje. Američki preduzetnici su pioniri u inovativnim digitalnim poslovima koji su ometali sektor za sektorom privrede. Ti startupi su bili izuzetno profitabilni, stvarajući ogromne nove bogatstva i novu generaciju titana.

Ali to doba je prošlo. Novi faktori potkopavaju tradicionalnu ulogu koju su startupi igrali. Pad globalizacije, povratak geopolitike, završetak digitalizacije i uspon veštačke inteligencije vratili su ravnotežu u korist etabliranih aktera. AI sada dominiraju velike kompanije poput Microsofta, Googlea, Meta i Nvidije. To ne znači da su startupi osuđeni na propast. Umesto toga, oni i njihovi investitori moraju promeniti način na koji shvataju svoju ulogu. Stari cilj je bio ometati. Sada mora biti transformisati.

U prvoj eri inovacija pokretanih internetom — „dot com” bumu — kompanije su se isticale tako što su donosile usluge (uglavnom kupovinu) na mrežu. Iako je taj prvi bum propao, digitalna infrastruktura koju je stvorio nastavila je da se širi. Kako se širila, preduzetnici su mogli da pokreću poslovanje koje je digitalno na prvom mestu: nove banke, osiguravajuće kompanije, turističke kompanije i zdravstvene usluge. Drugi inovatori, u međuvremenu, pokrenuli su kompanije s ciljem da omoguće starim firmama da ostanu konkurentne u ovoj novoj digitalnoj stvarnosti — na primer, startupi za računarske oblak usluge poput Snowflake i Datadog.

Kada su startupi zaista ometali industriju, to je bilo zato što su otključavali prednost u softveru, ali i u poslovnom modelu. Kompanije koje su definisale kategorije, poput Airbnb-a (kompanija iz portfolija General Catalyst), Ubera i DoorDasha, napredovale su nudeći novi digitalni interfejs koji je takođe revolucionisao način na koji ljudi koriste usluge iz stvarnog sveta. Ali druge industrije su ostale fundamentalno netaknute: proteklih 30 godina inovacija nije, na primer, stvorilo pravog konkurenta J.P. Morganu ili State Farmu. Zapravo, u mnogim sektorima, etablirani akteri su samo ojačali tokom digitalne ere, ostajući imuni na ometanja koja su dolazila iz Silicijumske doline. Ipak, bilo je dovoljno ometača da kapital rizičnih ulaganja uživa izuzetne prinose.

Nisu samo američka ingenioznost i snalažljivost podstakli ovo doba; širi globalni trendovi su takođe pomogli. Sredinom 2000-ih rodio se istinski digitalni potrošač, dok je „uspon ostatka sveta” stvorio rastuće srednje klase širom planete. Globalni uspon Facebooka i pametnih telefona svedoči o ovom fenomenu. Ali globalizacija je dostizala vrhunac, s carinama koje su završile dug pad ka rekordno niskim stopama. Njen glavni korisnik, Kina, iskoristila je članstvo u STO i postala svetska fabrika. Živeći u ovom dobu, preduzetnici su usvojili mentalni model koji je bio post-historijski i post-geografski. Zahvaljujući globalnim lancima snabdevanja, rasprostranjenom pristupu internetu i pristupačnom računarstvu u oblaku, mogli su da služe potrošačima digitalno u svakoj industriji u svakoj zemlji.

Venture kapitalisti, sa svoje strane, usvojili su pobedničku strategiju: dokle god je kompanija imala proizvod koji je tržište želelo, cilj je bio brzo osvajanje tržišnog udela i postajanje dominantnim igračem u datoj kategoriji. Otuda i mantru „kreni brzo i lomi stvari” koja je generisala toliko novca i društvenih potresa tokom poslednje dve decenije — ne samo u novim industrijama kao što su društveni mediji već i u tradicionalnim, poput zdravstvene zaštite.

Kada je udarila Velika recesija, startupima je više pomogla nego što ih je povredila. Iako su patili kao i drugi sektori zbog trenutnog sloma, kasnije su profitirali jer je Fed povećao novčanu masu, podstičući novu eru jeftinog kapitala. (Od 2010. do 2014. godine, iznos sredstava koje je industrija rizičnog kapitala prikupila više se nego udvostručio.) Na sličan način, pandemija Covid-19 takođe je dala snažan impuls startupima. Nije bilo samo to što je još veći deo svakodnevnog života prešao online; investitori su iskoristili pakete vladinih stimulacija da ubrzaju nove poslove, sa svežim kapitalom koji je povećavao vrednosti akcija i proširivao količinu dostupnog kapitala.

Međutim, najvažniji efekat pandemije bio je da na površinu izbaci anti-globalizacijski zanos koji je godinama rastao. Do 2020. godine, carine su već bile ponovo popularne, zahvaljujući administraciji predsednika Trampa, a prema podacima Svetske banke, zemlje su potpisivale 60% manje trgovinskih sporazuma nego što su to činile pre dve decenije. Pandemija je ogolila rizik inherentan globalizaciji: zemlje koje nisu imale sposobnost da same proizvedu vakcine ili maske morale su da čekaju da dobiju ostatke. Zatim je došla ruska invazija na Ukrajinu 2022. godine, koja je pojačala fokus na bezbednost i samodovoljnost. Povećanje tenzija između SAD i Kine podiglo je perspektivu sveta podeljenog na dve ekonomske zone.

Ovi geopolitički vetrovi u leđa više su naškodili startupima nego etabliranim igračima. Kao prvo, dok vlade pokušavaju da osiguraju lance snabdevanja, okreću se stabilnim firmama, a ne startupima. Setite se firmi koje najviše profitiraju od Zakona o čipovima i nauci, koji pruža 52,7 milijardi dolara subvencija za istraživanje i razvoj i proizvodnju poluprovodnika. Nisu to nepoznati novi učesnici koji dobijaju novac. To su stabilne, dugogodišnje kompanije koje mogu da ponude sigurnost snabdevanja: Taiwan Semiconductor Manufacturing Company, Samsung, Micron Technology i Intel.

Pored toga, fragmentacija geopolitike učinila je da vladina politika ponovo postane relevantna. U prethodnoj eri, kompanije su mogle da rastu u relativno regulativno slobodnom okruženju. (Uber je, na primer, uglavnom odlučio da ignoriše propise koji regulišu taksi industriju, nadajući se — ispravno — da će njegova usluga biti toliko popularna da će zakon s vremenom sustići.) Ali poslednjih godina došlo je do naglog porasta novih trgovinskih ograničenja, domaćih subvencija i zakona o privatnosti koje kompanije moraju poštovati ili pokušati da promene. A kompanije koje su najveštije u tome su velike, etablirane firme. Prošle godine, Amazon i Meta su potrošili po gotovo 20 miliona dolara na svoje američke lobističke operacije, daleko više od bilo kog startupa.

Dodatno, digitalni startupi moraju da se bore s tržišnom zasićenošću. Na Zapadu su većina ljudi sada digitalni potrošači. Do sada su skoro sve kompanije digitalizovale svoje procese — posebno od početka pandemije. Na primer, više od 90% kompanija usvojilo je računarstvo u oblaku.

Kako AI fundamentalno menja prirodu startupa

Ali upravo kada je ovaj tehnološki trend dostigao svoj vrhunac, pojavio se novi, daleko disruptivniji trend: uspon veštačke inteligencije. Po prvi put od pojave interneta, svaki izvršni direktor u svakoj industriji u svakoj zemlji pokušava da shvati kako da usvoji tehnologiju u isto vreme. Ovoga puta, ambicije i nade su još veće. AI ne samo da nudi prevođenje postojećih procesa iz jednog domena u drugi, kao što je to činila digitalizacija, već i uči samostalno.

Ta ključna razlika znači da su produktivni dobici koje možemo očekivati ne jednokratna „korak promena,” već kontinuirano poboljšanje „nagib promene.” U svojoj srži, AI je tehnologija koja transformiše radnu snagu, oslobađajući ljudsku produktivnost stvaranjem paralelnog radnog fonda koji može da preuzme teret mnogih poslova koje ljudi radije ne bi radili. AI će postati izvor obilja, vršeći deflatorni pritisak kroz ekonomiju povećanjem ponude rada za negu, podučavanje, održavanje i više.

AI predstavlja mnogo veću priliku nego bilo šta s čim se tehnološki sektor ikada suočio. Ali to zahteva od startupova iz Silicijumske doline da promene način razmišljanja, da ne teže više ometanju i rušenju etabliranih firmi, već da ih transformišu. To je zato što su startupi na mnogo načina u nepovoljnom položaju sa ovom novom tehnologijom. Uspešno korišćenje AI zahteva dve stvari: puno podataka i mnogo skupe računske snage. Velike kompanije imaju pristup obema. Imaju podatke na kojima mogu da grade svoje modele, novac za plaćanje sve te računske snage potrebne za analizu i odnose sa klijentima da odmah unovče te skupe poduhvate.

Uzmimo za primer generisanje koda, osnovni zadatak svakog softverskog inženjeringa. Prva kompanija koja je dominirala ovim prostorom uz pomoć AI-a nije bio neki ambiciozni startup. Bio je to Microsoft, 49-godišnja kompanija sa tržišnom kapitalizacijom od 3 biliona dolara. Njegov GitHub Copilot, najpopularniji alat za dovršavanje koda pokretan veštačkom inteligencijom, sada ima preko 1,8 miliona pretplatnika koji plaćaju.

Nema razloga da verujemo da će trka u AI-u biti pobednik uzima sve; još uvek ima mesta za ambiciozne startupe da zauzmu deo tržišta, i zaista, mnogi obećavajući startupi se bave generisanjem koda. Ali biće teže nadmašiti velike kompanije u smislu kvaliteta njihove tehnologije i količine njihovih podataka i resursa.

To rečeno, s obzirom da je potražnja za inovacijama veća nego ikad, startupi će i dalje imati mnogo vrednosti koju mogu da dodaju. Nova prilika leži u tome da konačno obavljaju same usluge, umesto da samo omogućavaju rad drugih kompanija. Godinama je Silicijumska dolina bila opsednuta uvodjenjem dobitaka u efikasnosti softvera u svaku komercijalnu aktivnost — stvaranjem digitalnog interfejsa za naručivanje iz restorana, na primer. Ali u eri veštačke inteligencije, softver nije samo posrednik za uslugu; on je sama usluga.

Razmislite o korisničkom centru za podršku. U staroj eri, startupi su samo prodavali softver koji su zaposleni koristili u velikim korisničkim centrima. Sa AI-om, startup za korisničku podršku pruža samu uslugu — naime, chatbot s kojim korisnici razgovaraju. Ovo je nepoznata teritorija za softverske startupe, koji su navikli da posluju sa relativno malo imovine i uživaju profitne marže čak i do 80%, za razliku od mnogo nižih marži koje prevladavaju u sektoru usluga.

Ali AI će pomoći da se smanji jaz u profitnim maržama, a potencijalna veličina tržišta za startupe koji mogu napraviti ovu tranziciju je, zapravo, nekoliko puta veća, jer mogu ciljati ceo lanac vrednosti, dok u osnovi ostaju tehnološke kompanije. I zaista, uprkos sve hvalospevu o tehnološkom sektoru i njegovoj prisutnosti u američkom diskursu, on je odgovoran za samo oko desetinu američkog BDP-a. Ako tehnološki preduzetnici iskoriste nove prilike, pružajući usluge, a ne samo oblikujući tokove rada, taj udeo bi mogao postati mnogo veći.

Kako američki preduzetnici mogu iskoristiti novu prednost startupa? Startupi će morati mnogo bliže sarađivati s postojećim preduzećima ako žele pristup njihovim podacima, stručnosti i klijentima. Takođe će morati razviti novo razumevanje šta znači pružati usluge, čak i ako su one digitalne ili se izvode putem AI agenata. To znači kreiranje novih modela cena, pružanje korisničke podrške i dizajniranje proizvoda za krajnje korisnike, a ne samo za preduzeća koja deluju kao posrednici.

Možda najvažnije, moraće da ugrade koncept odgovorne inovacije u samu srž onoga što rade, stalno razmišljajući o efektima koje će njihova tehnologija imati na radnike u sektorima koje transformišu. Ako AI preuzme 25% posla jedne osobe, šta se dešava sa tim slobodnim kapacitetom? U zdravstvu, možete zamisliti da medicinske sestre koriste ovo dodatno vreme da pređu sa reaktivne na proaktivnu negu, potencijalno smanjujući buduće bolesti pacijenata. Ali za takvu promenu potrebni su snažni lideri spremni da investiraju u strateške odluke. Uvek će postojati kratkoročno iskušenje za smanjenje radne snage, ali podleganje tom iskušenju dovodi do dugoročnog gubitka: kompanije koje će na kraju pobediti biće one koje ponovo investiraju svoj talenat u aktivnosti veće vrednosti.

Startupi i dalje imaju mnoge prednosti koje velike kompanije nikada ne mogu sanjati da ostvare. Privlače talente sklone riziku. Deluju brzo. Inoviraju. Prilagođavaju se. Uprkos svim novim preprekama, te karakteristike bi trebalo da im dobro posluže dok navigiraju prelazak iz prethodne ere inovacija u sledeću.

Generativna veštačka inteligencija može ubrzati inovacije, ali članak tvrdi da njena podrazumevana upotreba često pojačava ljudska uska grla koja bi trebalo da reši. U fazi osmišljavanja ideja (ideaciji), modeli usmeravaju timove ka poznatim idejama i čine da se ljudi više fiksiraju na njih. U selekciji, doterane prezentacije koje je generisala veštačka inteligencija mogu se pogrešno protumačiti kao bolje ideje, dok preporuke veštačke inteligencije mogu kodirati postojeću pristrasnost. U istraživanju potrošača, simulirani kupci mogu ubrzati testiranje, ali propuštaju iracionalna ponašanja koja oblikuju stvarno prihvatanje proizvoda. Nakon lansiranja, veštačka inteligencija može rezimirati ogromne količine povratnih informacija, a ipak pomoći timovima da opravdaju prethodna uverenja. Centralni savet autora je dijagnostički: pre primene veštačke inteligencije, lideri bi trebalo da se zapitaju da li je usko grlo informaciono, zasnovano na rasuđivanju ili vođeno podsticajima, i da sačuvaju direktan kontakt sa kupcima tamo gde je to najvažnije za utemeljenje u stvarnosti.

Svaki inovacioni tim sada ima iste alate: iste fundamentalne modele, slične biblioteke upita. Ipak, rezultati su izuzetno neujednačeni. Neki timovi izveštavaju o kreativnoj renesansi, dok drugi prijavljuju poplavu homogenizovanih, zaboravljivih ideja koje sve zvuče kao da potiču od iste osobe. Razlog nije u tome koji model koristite. Razlog je u tome što generativna veštačka inteligencija deluje na ljudska uska grla zakopana unutar tog procesa. Ova uska grla reaguju na veštačku inteligenciju na različite — ponekad i suprotne — načine.

To je osnovni argument novog radnog dokumenta, izrađenog na poziv časopisa International Journal of Research in Marketing, koji smo mi — istraživači sa Harvarda, Vartona, Nortvesterna i Kolumbije — napisali. Umesto da pitamo šta generativna veštačka inteligencija može da uradi, postavljamo trajnije pitanje: Koja su to kognitivna, društvena i organizaciona ograničenja koja su oduvek usporavala inovacije i kako veštačka inteligencija stupa u interakciju sa svakim od njih?

Da bismo odgovorili na ovo, sintetizovali smo nedavne empirijske studije o generativnoj veštačkoj inteligenciji i inovacijama — o raznolikosti ideja, potrošačima simuliranim putem veštačke inteligencije, algoritamskoj selekciji ideja i analizi nakon lansiranja — u poređenju sa decenijama utemeljenih istraživanja o kreativnosti, rasuđivanju u uslovima neizvesnosti i ponašanju potrošača. Za svaku od četiri faze u nastavku postavili smo ista tri pitanja: Šta je osnovno ljudsko ograničenje, kako generativna veštačka inteligencija utiče na njega kada se koristi „naivno“ i kako bi izgledao promišljeniji redizajn? Ta dosledna struktura nam je omogućila da primenimo isto dijagnostičko pitanje na uska grla koja na površini uopšte ne liče, kao što je pristrasnost komisije za selekciju prema novinama ili nesposobnost potrošača da kaže šta želi pre nego što to zapravo iskusi. Da li veštačka inteligencija rastvara ovo usko grlo ili ga tiho pogoršava?

Odgovor je važniji nego što menadžeri za inovacije trenutno uviđaju. Neka od ovih ograničenja, ispostavilo se, generativna veštačka inteligencija može istinski da rastvori. Druga pogoršava, dok naizgled deluje da pomaže. A nekoliko njih nijedan verovatan budući model neće ni dotaći.

Problem sa pretpostavkom da će veštačka inteligencija popraviti inovacije

Većina razgovora o veštačkoj inteligenciji i inovacijama tretira veštačku inteligenciju kao uniformno dobru u uklanjanju trenja u inovacionom procesu. Obično je pretpostavka da će to postići potpunim zamenjivanjem uloga ljudskih inovatora: više ideja, brže testiranje, jeftinije istraživanje, brže učenje. Naš okvir odbacuje tu pretpostavku. Pratimo uska grla kroz četiri faze inovacionog lanca — ideaciju, selekciju, uvid u potrošače i učenje na tržištu — i otkrivamo da je u gotovo svakoj fazi podrazumevani efekat veštačke inteligencije (kada se koristi „naivno“, bez promišljenog redizajna) produbljivanje osnovnog uskog grla, a ne njegovo smanjenje.

Evo zašto: Većina inovacionih uskih grla su ljudski problemi, a ne tehnološki. To su pitanja o tome kako se ljudi vezuju za poznate ideje, kako komisije razvijaju plemenske instinkte o tome šta se smatra „obećavajućim“, kako potrošači ne mogu da vam kažu šta žele dok to ne vide. Generativna veštačka inteligencija, obučena na skupu postojećeg ljudskog učinka, teži da reprodukuje upravo one tendencije koje su prvobitno i izazvale usko grlo; samo brže i u većem obimu.

Evo načina na koje generativna veštačka inteligencija produbljuje ljudska uska grla u svakoj fazi inovacionog procesa — i šta preduzeti u vezi s tim.

Ideacija: Preterano fiksiranje na tipično.

Ideacija je proces generisanja kandidatskih koncepata za novi proizvod, uslugu ili funkciju. Budući da jedna izuzetna ideja vredi više od desetina samo dobrih, zadatak nije da se proizvede velika gomila solidnih opcija — zadatak je da se na površinu izbace istinski izuzeci, što ideaciju fundamentalno čini potragom za izuzecima, a ne vežbom u efikasnoj proizvodnji.

Kada ljudi razvijaju ideje sa velikim jezičkim modelom (LLM) bez promišljene strukture, dve stvari se dešavaju istovremeno. Sam model gravitira ka statistički tipičnom odgovoru — na kraju krajeva, obučen je da automatski dopunjava fraze koristeći najverovatnije sledeće reči. A kada osoba pročita taj tipičan odgovor, ona se fiksira na njega, što je sprečava da razmišlja o neobičnijim idejama koje bi mogla samostalno generisati. Rezultat je suptilno sužavanje u dva koraka: veštačka inteligencija predstavlja usku ideju, a zatim to takođe sužava i razmišljanje čoveka.

Što je još gore, ovo se dešava na sistemskom nivou. Pošto većina generativnih modela crpi podatke iz sličnih podataka za obuku, nezavisni timovi u različitim kompanijama koji koriste veštačku inteligenciju „kreativno“ imaju tendenciju da konvergiraju ka istoj nekolicini pravaca dizajna. Dakle, čak i ako individualna produktivnost raste, kolektivna raznolikost na čitavom tržištu opada.

U ovom slučaju, rešenje je na modelu, a ne na čoveku. Korišćenje upita sa lancom razmišljanja (chain-of-thought prompting) — traženje od modela da napravi nacrt, a zatim da eksplicitno revidira ka smelilijoj, prepoznatljivijoj teritoriji — funkcioniše izvanredno dobro na veštačkoj inteligenciji. Međutim, isti pristup ne pomaže čoveku da poboljša sopstveno razmišljanje. Kada se osoba mentalno fiksira na početnu ideju veštačke inteligencije, poruka da „razmišlja šire“ obično ne pomaže — naprotiv, može se još više fiksirati na ideju veštačke inteligencije (ovo je verzija klasičnog problema „ne misli na belog medveda“).

Selekcija: Pristrasnost prema „doteranijim“ idejama jezičkih modela.

Selekcija je faza u kojoj kompanija odlučuje koje od tih ideja dobijaju finansiranje, a koje se odlažu, obično putem komisije za prolazne faze (stage-gate) ili odbora za pregled portfolija. To je procena doneta pod stvarnom neizvesnošću — pre nego što je tržište reklo svoje, i često pre nego što je sama ideja u potpunosti definisana — tako da sve ono za šta se panel svesno ili podsvesno optimizuje na kraju oblikuje sve što kompanija na kraju izgradi.

Ocenjivači su oduvek bili pristrasni protiv novih ideja — originalni koncepti deluju rizičnije i teže ih je pozicionirati, pa paneli nesvesno nagrađuju sigurnije, poznatije predloge. Generativna veštačka inteligencija pojačava ovu pristrasnost na nov način: predlozi generisani veštačkom inteligencijom su tečni i dobro strukturirani po svojoj prirodi, a tečnost se pogrešno zamenjuje za kvalitet. Ideja koja zvuči doterano dobija bolju ocenu, bez obzira na to da li je zapravo bolja ideja. Ovde je rešenje strukturno, a ne tehnološko: svedite predloge na zajednički format pre nego što ih bilo ko oceni i sakrijte da li je ideja potekla od čoveka ili od modela.

To nije jedino usko grlo koje generativna veštačka inteligencija može tiho produbiti u fazi selekcije. Evo suptilnije zamke: ako obučite LLM za selekciju na istorijskim odlukama o prihvatanju ili odbijanju vašeg sopstvenog panela, vi ne uklanjate pristrasnost iz procesa — vi je trajno kodirate, u velikom obimu, i činite da izgleda objektivno. Nedavni terenski eksperiment otkrio je nešto još problematičnije: kada su ocenjivači dobili preporuku LLM-a uz pisano obrazloženje, postali su skloniji tome da automatski odobravaju odbijanja — a da nisu postali nimalo bolji u razlikovanju tačnih procena veštačke inteligencije od netačnih. Obrazloženje modela zamenilo je njihovo sopstveno rasuđivanje umesto da ga podrži. A efekat je bio najjači upravo tamo gde je ljudsko rasuđivanje najvažnije: u graničnim slučajevima.

Intervencija ovde je gotovo suprotna onome ka čemu većina kompanija ide: uklonite objašnjenja LLM-a. U tom istom eksperimentu, preporuka veštačke inteligencije kao „crne kutije“ bez obrazloženja poboljšala je odluke, u poređenju sa zadržavanjem obrazloženja LLM-a u kombinaciji.

Uvid u potrošače: Brže istraživanje, manje autentični odgovori.

Kada ideja preživi selekciju, razvija se u konkretan koncept sa stvarnim karakteristikama, cenama i pozicioniranjem — a testiranje tog koncepta podrazumeva razumevanje onoga što kupci zapravo žele. Ovo je faza merenja preferencija: ankete, intervjui i kondžojnt studije na koje su se firme dugo oslanjale kako bi koncept pretvorile u odbranjivu procenu potražnje.

Ovo je deo u kojem je rad najviše otrežnjujući za svakoga ko koristi veštačku inteligenciju za simulaciju kupaca. Na primer, ako zatražite od jezičkog modela da simulira uloge hiljadu različitih segmenata potrošača koji reaguju na promenu cene, dobićete glatku, opadajuću krivu koja je uglavnom pogrešna na specifičan, problematičan način. Pošto model nije izvučen iz stvarne populacije, on varijaciju cene ne tretira kao eksperiment; on je tretira kao trag o kontekstu (viša cena se tumači kao „premijum“, a ne kao „isti proizvod, samo skuplji“). Dakle, umesto opadajuće krive tražnje koju biste dobili od stvarnih kupaca kako cena raste, možete dobiti ravnu ili čak rastuću krivu.

„Digitalni blizanci“ — persone veštačke inteligencije izgrađene na bogatim profilima ponašanja stvarnih ljudi — prolaze bolje, ali im trenutno i dalje nedostaje nešto suštinsko: stvarni kupci se ponašaju iracionalno na načine koji su od ogromne važnosti za to da li će prihvatiti nešto novo. Oni se drže nepovratnih troškova (sunk costs). Oni precenjuju bol prelaska na drugu opciju. Simulirani blizanci, nasuprot tome, teže da naprave racionalan izbor daleko češće nego stvarni ljudi — što znači da sistematski potcenjuju upravo ona trenja koja uništavaju lansiranja novih proizvoda.

Za ovo još uvek nema čistog rešenja. Digitalni blizanci nisu beskorisni — oni su razumna zamena za neka istraživačka pitanja — ali im ne treba verovati upravo kod onih ponašanja koja razdvajaju sudbinu istinski novog proizvoda od inkrementalnog. Za svaku odluku koja se oslanja na nepovratne troškove, troškove promene ili način na koji je izbor uokviren, sigurniji potez je zadržati to rasuđivanje uz ljudska istraživanja: panele vodećih korisnika i etnografski rad na terenu koji posmatraju kako se ljudi stvarno ponašaju, a ne samo šta model predviđa da će izabrati.

Difuzija i učenje na tržištu: Ista pristrasnost potvrđivanja, sa ubedljivijim glasom.

Difuzija i učenje na tržištu obuhvataju sve što se dešava nakon lansiranja: prihvatanje inovacije u velikom obimu, a zatim tumačenje rezultujućih signala kako bi se donela sledeća runda odluka. Usvajanje je društveni proces jednako koliko i individualni — vođen ranim usvajačima i preporukama od usta do usta — a povratne informacije koje proizvodi moraju se prikupiti, odrediti im se prioriteti i pravilno protumačiti pre nego što postanu korisne.

Kada se proizvod isporuči, on generiše više povratnih informacija nego što bilo koji tim može da apsorbuje: recenzije na različitim platformama, priče na društvenim mrežama, tikete podrške, povraćaje robe, teme na forumima. Generativna veštačka inteligencija je ovde istinski korisna: može da unese, grupiše i rezimira sav taj šum u obimu koji nijedan tim analitičara ne bi mogao da dostigne, izvlačeći strukturirane potrebe kupaca sa kvalitetom koji počinje da se približava profesionalnim analitičarima. Po prvi put u ovom okviru, usko grlo se zapravo smanjuje.

Ali to olakšanje stvara novi problem na svom mestu. Od stotina tema koje sistem veštačke inteligencije izbaci svake nedelje, koje zaslužuju akciju, a koje su samo najglasnije? Signali koji su najvažniji za inovacije, kao što je novi slučaj upotrebe ili segment koji tiho ne uspeva da prihvati proizvod, upravo su oni koje je rezime ponderisan učestalošću napravljen da zakopa.

Dublji problem se pojavljuje kada taj signal stigne u sobu punu ljudi koji imaju lični interes u ishodu. Organizacije su oduvek tumačile povratne informacije sa tržišta blagonaklono prema odlukama koje su već donele. Sistem veštačke inteligencije nema karijeru koja zavisi od prošlogodišnje opklade na proizvod, tako da bi u principu trebalo da označi talas pritužbi na ključnu funkcionalnost jednako spremno kao i talas pohvala. Ali isti onaj tečni, samouvereni rezime koji sintezu veštačke inteligencije čini korisnom takođe olakšava da se selektivno citira kao glas podrške onome u šta je tim već verovao na početku — posebno ako se upit veštačkoj inteligenciji postavi na način koji jasno stavlja do znanja koji odgovor bi tim preferirao, s obzirom na tendenciju veštačke inteligencije da laskavo govori ono što ljudi žele da čuju. Da li se sinteza veštačke inteligencije svodi na iskrenije izveštavanje ili samo na ubedljiviji način da se doteraju iste racionalizacije, jedno je od najvažnijih otvorenih pitanja u čitavom okviru.

Glavni zaključci

Pogledajte pažljivo ova četiri primera i pojavljuje se jedan princip: mehanizam iza uskog grla određuje da li mu veštačka inteligencija pomaže ili odmaže — a ne sofisticiranost veštačke inteligencije. Uska grla koja su u suštini informaciona, velikog obima ili proceduralna (previše prijava za pregled, previše teksta recenzija za čitanje, krut format koji skriva kvalitet) upravo su vrsta problema za čije rešavanje je generativna veštačka inteligencija stvorena, pod uslovom da sistem dizajnirate promišljeno.

Nasuprot tome, uska grla ukorenjena u proživljenom iskustvu, iracionalnom ljudskom ponašanju ili organizacionom sopstvenom interesu potpuno su drugačija pojava. Nikakvo skaliranje modela ne rešava činjenicu da potrošači ne mogu da artikulišu preferenciju za kategoriju proizvoda koju nikada nisu videli, ili da će menadžer sa dve godine političkog kapitala uloženog u neuspešan projekat tumačiti podatke blagonaklono, bez obzira na to koliko su podaci dobri.

Ovo liderima daje nešto korisnije od liste slučajeva upotrebe veštačke inteligencije: dijagnostičko pitanje koje treba postaviti pre usvajanja bilo kog novog alata ili radnog toka. Šta, konkretno, usporava ovo: problem informacija, problem ljudskog rasuđivanja ili problem organizacionih podsticaja? Ova alternativna perspektiva donosi jasne lekcije u svakoj fazi inovacionog procesa:

• Ideacija: Ako se prepusti sama sebi, generativna veštačka inteligencija sužava kreativno razmišljanje umesto da ga proširuje. Rešenje mora biti usmereno na upite modela, a ne na način razmišljanja osobe.
• Selekcija: Veštačka inteligencija ne uklanja pristrasnost panela za selekciju prema novinama. Ona toj pristrasnosti ili laska uglađenošću ili je tiho kodira i uvećava, osim ako proces nije promišljeno redizajniran.
• Uvid u potrošače: Simulirani kupci su brz, koristan filter, ali potcenjuju iracionalna trenja koja zapravo odlučuju da li će nešto novo biti prihvaćeno.
• Difuzija i učenje na tržištu: Veštačka inteligencija rešava problem obima u povratnim informacijama nakon lansiranja, ali jednako lako može timovima dati ubedljiviji način da odbrane odluku koju su već doneli.

. . .

Najneprijatniji argument ovog rada nije vezan ni za jedno pojedinačno usko grlo — već za ono što se s vremenom dešava sa organizacijama. Kako veštačka inteligencija preuzima sve više ideacije, selekcije i simulacije potrošača, mlađi zaposleni koji su nekada gradili rasuđivanje radeći taj posao iz prve ruke više ne dobijaju priliku da vežbaju. Završavate sa sofisticiranim korisnicima rezultata veštačke inteligencije koji nikada nisu razvili instinkt da prepoznaju kada je taj rezultat pogrešan.

Pomnožite to sa celokupnom funkcijom inovacija i dobićete ono što se naziva zamkom automatizacije: svaki pojedinačni alat veštačke inteligencije se dobro pokazuje u izolaciji, ali cela petlja povratnih informacija polako se udaljava od stvarnih kupaca, jer su ideacija, selekcija, testiranje i intervjuisanje sada posredovani modelima obučenim na rezultatima jednih drugih, a ne na tržištu. Sve postaje brže. Ništa ne ostaje utemeljeno u stvarnosti.

Naš odgovor nije usporavanje usvajanja veštačke inteligencije, već promišljenost o tome koji delovi procesa i dalje zahtevaju neposredan kontakt sa realnošću. Udubljivanje u vodeće korisnike. Etnografski rad na terenu. Čovek koji donosi važnu odluku i mora da stane iza nje. Ovo nisu nostalgični ostaci iz ere pre veštačke inteligencije; to su noseći zidovi koji sprečavaju da ostatak automatizovane strukture skrene sa osnovne istine koju bi trebalo da prati.

Tehnologija će nastaviti da se menja. Uska grla — kognitivna fiksacija, evaluacija vođena statusom, jaz između onoga što potrošači kažu i onoga što će zapravo uraditi — ostala su izuzetno stabilna decenijama. Kladiti se na svoju strategiju inovacija na osnovu mehanizma, a ne modela, verovatno će stariti znatno bolje.

Ambiciozni preduzetnici se sve više okreću veštačkoj inteligenciji (AI) kako bi podstakli rast, inovacije i efikasnost. Koristili su AI da bi se takmičili sa velikim igračima, pokazujući da mali timovi mogu postići izvanredan uticaj. Preduzetnici koji nameravaju da zaposle više od 20 ljudi znatno češće smatraju AI ključnom za svoje poslovne modele. Uprkos entuzijazmu, izazovi kao što su troškovi, implementacija i privatnost podataka i dalje postoje. Ali postavljanje strateškog tempa, jačanje saradnje između ljudi i AI, i podsticanje eksperimentisanja koje vode zaposleni može pomoći.

Kada je tim u kompaniji Anysphere 2022. godine pokrenuo Cursor – AI asistenta za kodiranje – oni nisu bili dobro finansirani gigant. Bili su mala grupa programera koja je gradila pametniji način za pisanje koda. U roku od nekoliko meseci, takmičili su se sa alatima kompanija OpenAI i GitHub, dokazujući da čak i najmanji timovi mogu da postignu mnogo više nego što se od njih očekuje kada ih pokreće AI. Ova vrsta skalabilnog, inteligentnog dizajna više nije isključivi domen velikih firmi ili tehnoloških startapova. Iako su Anysphere i drugi slični njima još uvek na početku svog puta, oni pokazuju kako ambiciozni preduzetnici mogu da iskoriste AI za ubrzavanje donošenja odluka, otključavanje novih tržišta i optimizaciju poslovanja. Naše najnovije istraživanje Global Entrepreneurship Monitor (koje je obuhvatilo više od 2.300 američkih preduzetnika) pokazuje da preduzetnici sa ambicijama za rast – ambiciozni preduzetnici – mnogo češće smatraju AI ključnom za svoje poslovne modele i budući uspeh. Kako bismo vodili ove poduhvate, u nastavku predstavljamo praktičan okvir za rast uz pomoć AI.

Važnost ambicioznih preduzetnika

Mala preduzeća čine 99% svih firmi u SAD i skoro polovinu zaposlenih u privatnom sektoru, prema podacima američkog Biroa za statistiku rada (U.S. Bureau of Labor Statistics). Takođe, konstantno nadmašuju veće firme u otvaranju novih radnih mesta (U.S. Census Bureau). Ali mnogo manji podskup – ambiciozni preduzetnici – pokreće najtransformativnije promene. Podaci Global Entrepreneurship Monitora pokazuju da samo 18% američkih preduzetnika očekuje da će zaposliti 20 ili više ljudi u narednih pet godina. Ovi preduzetnici se ističu: imaju preko četiri puta veću verovatnoću da će uvesti nove proizvode ili usluge u poređenju sa onima koji ne predviđaju zapošljavanje, što ih pozicionira kao katalizatore i za otvaranje radnih mesta i za inovacije. Ovi ambiciozni preduzetnici ne teže samo rastu – oni teže da remete, skaliraju i vode. Oni vide AI kao ključnu za postizanje tih ciljeva. I postižući ih, oni nesrazmerno doprinose ekonomskoj obnovi.

Usvajanje AI u preduzetništvu

Lideri velikih firmi se uveliko slažu da AI transformiše industrije, remeti radne tokove i redefiniše poslovne modele sa neviđenom brzinom. U globalnoj anketi kompanije Deloitte, 78% rukovodilaca je izjavilo da planira da poveća svoja ulaganja u AI tokom naredne godine. Ali ovo nije samo priča o disruptivnim promenama na nivou preduzeća. Generativni AI alati demokratizuju sposobnosti koje su nekada bile rezervisane za velike timove i velike budžete.

Ipak, uprkos širenju dostupnih AI aplikacija, postoji relativno malo istraživanja o percepcijama usvajanja AI među malim i srednjim preduzećima. Jedna od retkih dostupnih anketa pokazala je da samo 21% malih preduzeća koristi AI ili planira da ga koristi u naredne dve godine. Međutim, naši GEM podaci otkrivaju jasniju sliku: ambiciozni preduzetnici – oni koji predviđaju zapošljavanje najmanje 20 novih radnika u narednih pet godina – stavljaju mnogo veći naglasak na AI. Preciznije, 87% njih predviđa da će AI biti ključna za njihov poslovni model i strategiju u naredne tri godine. Preko 90% očekuje pozitivne uticaje na prihod i rast, pri čemu većina navodi prednosti kao što su razvoj inovativnih proizvoda i usluga, poboljšana produktivnost i efikasnost, unapređena personalizacija za kupce i bolje upravljanje rizikom i usklađenošću.

Ovo nije samo teorija. Preduzetnici mogu izgledati bolje pozicionirani od velikih firmi za integraciju AI. Novi poduhvati mogu da grade procese vođene veštačkom inteligencijom od prvog dana, a etabliranija mala preduzeća često posluju sa manje od pet zaposlenih – dovoljno agilni da izbegnu birokratiju. Ali mala veličina takođe može biti ograničenje. Ograničeni finansijski i ljudski resursi, posebno za netehnološke firme koje ređe dobijaju rizični kapital, znače da je rast – a ne usvajanje tehnologije – često prioritet. U nedostatku značajnih internih tehničkih timova, mnogi osnivači se suočavaju sa stvarnim izazovima u usvajanju i upravljanju naprednom tehnologijom.

Čak i među ambicioznim preduzetnicima, entuzijazam za AI ne nadjačava zabrinutost. Glavne brige uključuju troškove i prepreke u implementaciji (84%), kao i otpor zaposlenih (72%) i/ili kupaca (81%). Osamdeset osam posto je navelo privatnost podataka kao ključnu brigu. Iako GEM podaci pokazuju da ambiciozni preduzetnici češće posluju u tehnološki intenzivnim sektorima – ili agresivno koriste tehnologiju u svom poslovanju – oni i dalje predstavljaju tek nešto više od 10% ambicioznih preduzetnika koje smo anketirali. To sugeriše da većina možda nema tehnološke veštine ili orijentaciju koja bi omogućila takva ulaganja. AI već dugo pomaže u unapređenju ljudskog rada.

Robotska automatizacija procesa obavlja ponavljajuće pozadinske zadatke, dok analitička AI podržava brže i tačnije donošenje odluka o predviđanju, određivanju cena i ciljanju kupaca. Generativna AI sada omogućava preduzetnicima da testiraju marketinške strategije ili poslovne modele za nekoliko dana umesto nedelja – i da kreiraju sadržaj, od prezentacija za investitore do koda, uz minimalan unos.

AI takođe transformiše industrije koje se tradicionalno ne smatraju tehnološki naprednim. Stuccco, kompanija za virtuelno uređenje nekretnina, sve više dodaje AI mogućnosti svojim renderima uređenih prostora. ImagineInteriors.ai, na primer, je proizvod obučen na dizajnima koje su stvorili ljudi, a koji će profesionalcima u nekretninama pružiti vizualizaciju proizvoda i virtuelno uređenje. Druga ponuda omogućava potrošačima da sami kreiraju uređenja sa proizvodima koji se mogu kupiti. Ono što je nekada zahtevalo nameštaj i nedelje priprema, sada će biti urađeno za nekoliko sati uz fotorealistične AI rendere – omogućavajući malim firmama da se takmiče sa luksuznim agencijama. Ovi alati ne zamenjuju ljudsko rasuđivanje – oni ga proširuju.

Nedavno je uspon agentivne AI – alata koji mogu samostalno obavljati digitalne zadatke – proširio ove mogućnosti. Preduzetnici sada mogu automatizovati izradu veb-sajtova, obradu transakcija, korisničku podršku i istraživanje tržišta. Iako je ljudski nadzor i dalje ključan, ovi agenti značajno povećavaju kapacitet. Ukratko, AI pomaže preduzetnicima da rastu pametnije, a ne samo veće.

Okvir za preduzetnike

Da bismo vodili preduzetnike – posebno one sa visokim ambicijama za rast – razvili smo praktičan, prilagodljiv okvir za usvajanje AI. Koristan je i za one koji podržavaju preduzetničke poduhvate, uključujući investitore, savetnike i partnere u ekosistemu. Ovaj okvir se mora primeniti uz razumevanje resursa, konteksta i težnji svakog poduhvata. Poduhvat sa dubokim tehničkim sposobnostima imaće drugačiji pristup od startapa sa ograničenim finansijskim ili tehničkim resursima. U svim slučajevima, međutim, važi jedan princip: usvajanje AI ne može biti isključivo odozgo-nadole.

Odredite pravac i tempo usvajanja AI.

Prvo pitanje koje preduzetnici moraju postaviti nije samo da li da usvoje AI – već kako i koliko brzo. Dok neke firme pokušavaju sa potpunom implementacijom, većina ima koristi od postepenog usvajanja zasnovanog na učenju iz eksperimentisanja. Kao što preduzetnici često razvijaju minimalno održive proizvode, tako mogu razviti i minimalno održive slučajeve upotrebe AI. Automatizacija ponavljajućih zadataka, bilo pomoću RPA ili sve više AI agenata, retko zahteva velike promene u procesima. Ove rane primene grade zamah i unutrašnju podršku.

Neka preduzeća daju prioritet prilikama visoke vrednosti koje donose prihod, kao što je korišćenje AI za efikasnije lansiranje novih proizvoda ili proširenje dosega do kupaca. Druga počinju sa laganim alatima za uštedu troškova koji su ugrađeni u postojeće sisteme.
I, preduzetnici ne moraju odmah da grade internu stručnost za AI. Mnogi počinju radeći sa kompanijama koje ugrađuju AI u alate dizajnirane za njihovu industriju. Netic, na primer, je dobavljač rešenja za HVAC, vodovodne i električarske poslove. Nudi AI za automatizaciju i predviđanje angažovanja kupaca, zakazivanja i marketinga. Optimizacijom ovih operativnih zadataka, Netic pomaže sebi i svojim klijentima, malim uslužnim firmama, da poboljšaju efikasnost bez dodavanja novih zaposlenih ili tehničke infrastrukture.
Alati poput ovih daju preduzetnicima niskorizičan način da potvrde potencijal AI. Preduzetnicima koji žongliraju sa više uloga, oni oslobađaju vreme da se fokusiraju na rast. Iako oslanjanje na spoljne dobavljače AI možda neće doneti trenutnu konkurentsku prednost, ono gradi organizaciono samopouzdanje i utire put za strateškije, interno eksperimentisanje u budućnosti.

Ojačajte komplementaran odnos sa AI.

Iako AI optimizuje radne tokove i automatizuje zadatke, ona nije potpuna zamena za ljudske veštine. Odlična je u obradi podataka, prepoznavanju obrazaca i izvršavanju ponavljajućih ili zadataka zasnovanih na pravilima. Ljudi donose kritičko razmišljanje, empatiju, rasuđivanje i prilagodljivost – veštine koje mašine ne mogu da repliciraju. Prilika leži u dizajniranju radnih tokova gde ljudi i mašine koriste svoje prednosti.

Razmotrite kako čak i uslužno orijentisana preduzeća unapređuju personalizaciju pomoću AI. Style DNA, na primer, počeo je kao usluga ličnog stilizovanja usmerena na pomaganje korisnicima da maksimalno iskoriste svoju postojeću garderobu. Da bi proširila svoj uticaj i poboljšala personalizaciju, kompanija je kasnije integrisala AI u svoju platformu – koristeći prepoznavanje slika i učenje o preferencijama kako bi predložila odabrane odevne kombinacije na osnovu fotografija koje korisnici postave i njihovih profila stila. Dok aplikacija generiše modne preporuke zasnovane na podacima, korisnici ostaju u kontroli, birajući konačni izgled koji odražava njihov ukus. Ovaj hibridni model spaja ljudsku kreativnost sa mašinskom inteligencijom i takođe podržava održivu modu podstičući ponovnu upotrebu umesto nove potrošnje.

U preduzetničkim poduhvatima gde zaposleni obavljaju mnogo različitih poslova, AI može preusmeriti članove tima sa ponavljajućih zadataka na kreativnije uloge okrenute klijentima. Ova tranzicija produbljuje angažovanje, poboljšava zadržavanje zaposlenih i povećava vrednost ponude kompanije. Preduzetnici bi trebalo da predstave usvajanje AI ne kao pretnju, već kao način za jačanje ljudskog potencijala.

Implementirajte kao inicijativu koju vode zaposleni, inspirisanu kolegama.

Za razliku od velikih firmi, većina preduzetničkih poduhvata ne može da zaposli posvećene AI timove. Ali i dalje mogu biti vodeći u usvajanju osnaživanjem „građana programera“ ili „vibe kodera“ – radoznalih, tehnološki pismenih zaposlenih koji su voljni da eksperimentišu, čak i bez formalne obuke za AI. Ovi članovi tima razumeju radne tokove i kulturu kompanije, što ih čini idealnim ranim usvajačima.

Gotovo svaki jezički model sada može da generiše kod. Postoje i specijalizovani alati koji mogu da koriste AI za kreiranje veb-stranica, prezentacija, poslovnih planova, istraživanja tržišta, dizajna proizvoda, logotipa i skoro svake druge digitalne komponente koja je potrebna malim preduzećima. Ovi alati su obično jeftini ili čak besplatni. U preduzetničkom okruženju, ovakva dostupnost je multiplikator snage.

Ovo usvajanje odozdo-nagore gradi poverenje, a GEM podaci pokazuju da su preduzetnici zabrinuti da se njihovi zaposleni plaše AI. Ali veća je verovatnoća da će oni prihvatiti tehnologiju kada je uvedu kolege, a ne kada je nametnuta sa vrha. Vremenom, ovi rani usvajači postaju interni šampioni koji modeliraju najbolje prakse i grade organizacionu AI pismenost. Preduzetnici bi trebalo da ojačaju ovaj zamah ciljanim razvojem, priznavanjem i jasnim podsticajima. Ako se uradi kako treba, usvajanje AI vođeno zaposlenima ne samo da povećava produktivnost, već i oblikuje agilniju i inovativniju kulturu.

. . .

Veštačka inteligencija više nije isključivi domen tehnoloških giganata. Sa alatima koji su dostupniji i troškovima implementacije nižim nego ikad, preduzetnici orijentisani na rast su u dobroj poziciji da predvode. Kada se primeni promišljeno, AI pomaže malim preduzećima da se brže razvijaju, posluju pametnije i usmere ljudski kapital na kreativnost, angažovanje kupaca i inovacije. Ali otključavanje ovih prednosti zahteva više od eksperimentisanja – zahteva promenu načina razmišljanja.

Najuspešniji preduzetnici će tretirati AI ne samo kao alat, već kao stratešku sposobnost ugrađenu u celo poslovanje. Sledeći talas poslovne transformacije neće doći samo iz upravnih odbora kompanija sa liste Fortune 500. Pokretaće ga odvažni preduzetnici koji kombinuju ambiciju sa pametnom primenom AI kako bi nadmašili, nadmudrili i nadjačali konkurenciju.